XLTLDisNet:一种新且轻量级的方法,以透明度识别番茄叶病

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 农业生产率对于全球经济发展,粮食安全和减少贫困至关重要.
• 农作物疾病对农业产量和经济稳定构成重大威胁.
• 早期和准确的疾病检测对于尽量减少作物损失和最大限度地提高产量至关重要.

研究的目的:

• 提出一种新的深度学习 (DL) 模型,用于早期检测番茄叶病.
• 提高疾病检测模型的可解释性和可解释性.
• 通过先进的疾病识别来提高农业生产率.

主要方法:

• 开发和训练了一个深度学习 (DL) 模型,名为可解释的轻量级番茄叶病网络 (XLTLDisNet).
• 使用了PlantVillage番茄叶病数据集,包括十个疾病类别和健康图像.
• 采用数据增强技术来提高模型的稳定性和性能.
• 集成可解释的AI技术,包括梯度加权类激活映射 (GRAD-CAM) 和局部可解释模型不可知解释 (LIME).

主要成果:

• 实现了高性能指标:97.24%的准确性,97.20%的精度,96.70%的回忆力,97.10%的F1分数.
• 证明了该模型在分类十种不同类型的番茄叶病方面的有效性.
• 成功集成可解释的AI方法,为模型的决策过程提供洞察力.

结论:

• 拟议的XLTLDisNet模型为番茄叶病检测提供了一个高度准确和可解释的解决方案.
• 这种人工智能驱动的方法可以显著帮助农民及时管理疾病,从而提高作物产量和农业可持续性.
• 可解释的AI集成提高了对DL模型在关键农业应用中的信任和理解.