基于原型部分网络和对比学习的可解释的作物叶病和害虫识别模型
Bingjing Jia1, Jinyu Zeng2, Zhiwei Zheng2
1College of information & Network Engineering, Anhui Science and Technology University, Bengbu, 233000, China.
Scientific reports
|November 4, 2025
概括
这项研究引入了对比原型零件网络 (CPNet),用于可解释的作物叶病和害虫识别. CPNet提高了准确性,同时为其自动识别决策提供了明确的理由.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 计算机视觉算法有助于从图像中识别作物疾病和害虫.
- 当前的深度学习模型缺乏可解释性,充当"黑子".
研究的目的:
- 开发一种内在可解释的作物叶病和害虫识别模型.
- 解决现有的深度学习方法的"黑子"性质.
主要方法:
- 提出了对比原型零件网络 (CPNet) 模型.
- 利用特征图和原型表示之间的相似性计算作为决策基础.
- 员工监督对比学习以增强具有有限数据的特征表示.
主要成果:
- 在四个公共数据集上,CPNet表现出比基线方法更好的性能.
- 该模型成功地为其识别决定提供了可解释的证据.
- 在作物叶子上实现了疾病和害虫类别的准确识别.
结论:
- 在农作物疾病和害虫识别方面,CPNet为传统的黑盒模型提供了一个可解释的替代方案.
- 该方法提高了识别准确性,并为决策过程提供了视觉洞察力.
- 监督对比学习有效地解决了这一领域的数据限制.
