可解释的AI用于棉花叶疾病分类:一种元启发式优化深度学习方法
Gurjot Kaur1, Fuad Ali Mohammed Al-Yarimi2, Salil Bharany1
1Chitkara University Institute of Engineering and Technology Chitkara University Rajpura Punjab India.
Food science & nutrition
|July 24, 2025
概括
这项研究引入了一个可解释的深度学习 (DL) 框架,用于诊断棉花叶病,实现高精度. 该系统使用可解释的人工智能 (XAI) 来实现透明度,并且适用于精密农业的实时现场应用.
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:
- 棉花叶病对全球产量和农民生计构成重大威胁.
- 传统的诊断方法往往是缓慢的,主观的,并且不能用于农业监测.
研究的目的:
- 开发一个可解释和有效的深度学习 (DL) 框架,用于准确的棉花叶病疾病分类.
- 通过可解释AI (XAI) 技术提高模型透明度和可信度.
主要方法:
- 采用了混合深度学习架构,将EfficientNetB3和InceptionResNetV2结合起来.
- 可解释AI (XAI) 技术,特别是LIME和SHAP,被整合为模型的可解释性.
主要成果:
- 该框架实现了高性能指标:98.0%的准确性,98.1%的精度,97.9%的回忆,98.0%的F1评分和AUC-ROC为0.9992.
- 该模型表现出最小的过拟合和每类高性能,即使对于视觉上类似的疾病.
- XAI技术成功地突出了关键的视觉特征,提高了模型的透明度.
结论:
- 开发的DL框架为诊断棉花叶病提供了可靠,可解释和高效的解决方案.
- 这种轻量级和可扩展的模型适合在边缘设备上部署,用于实时精准农业应用.
- 将转移学习和XAI结合起来,显示出在农业中开发可靠的AI诊断工具的巨大潜力.
更多相关视频
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.3K
09:34A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data
Published on: September 25, 2021
4.1K
