可解释的基于多式联络的深度番茄病诊断和严重程度估计

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 数据科学数据科学数据科学

背景情况:

• 植物疾病,特别是像西红这样的重要作物,严重威胁全球粮食安全.
• 传统的农业方法往往缺乏有效打击广泛传播的作物疾病的效率.
• 疾病检测的单模系统在准确性和解释性方面存在局限性.

研究的目的:

• 引入一种新的多式联机深度学习算法,用于增强番茄植物疾病检测和严重性预测.
• 通过整合视觉和环境数据来克服单模式方法的局限性.
• 提高植物疾病分类和严重程度评估的准确性和可解释性.

主要方法:

• 使用EfficientNetB0进行基于图像的番茄植物疾病分类.
• 运用循环神经网络 (RNN) 来从环境数据中预测疾病严重程度.
• 将视觉和气候输入集成到多式联网深度学习框架中.
• 应用了LIME和SHAP可解释的AI技术,以实现结果的可解释性.

主要成果:

• 在植物疾病分类中达到96.40%的准确性.
• 在预测疾病严重程度方面达到99.20%的准确性.
• 与单模系统相比,证明了更高的分类准确性和可解释性.
• 通过可解释的AI,提供了对疾病严重程度分类的见解.

结论:

• 多式联网深度学习模型在植物疾病管理方面取得了重大进展.
• 该方法支持精准农业实践,并加强了当地食品系统的弹性.
• 这项技术有潜力减轻疾病影响,增强粮食安全,特别是对番茄依赖的经济体.