注意引导的卷积神经网络与可解释的AI用于边缘和无人机农业系统中检测叶病
Raiyan Gani1, Maherun Nessa Isty1, Mohammad Rifat Ahmmad Rashid2
1Department of Computer Science and Engineering, East West University, Aftab Nagar, Dhaka, 1212, Bangladesh.
Scientific reports
|November 25, 2025
概括
一个新的AI系统,PapayaNet,使用轻量级深度学习准确识别了六种叶状况,包括疾病. 这项技术为资源有限的热带地区的可持续农业提供实时作物健康监测.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 植物病理学 植物病理学
背景情况:
- 手动识别病是劳动密集型的,容易出现错误.
- 现有的作物人工智能系统缺乏针对热带作物疾病的定制模型.
- 准确的疾病检测对于番茄种植的产量和利能力至关重要.
研究的目的:
- 开发一种自动化系统来对包括疾病在内的叶状况进行分类.
- 创建一个适合资源稀缺环境的轻量级,高效的AI模型.
- 为了提高可解释性和用户对人工智能驱动的诊断的信心.
主要方法:
- 开发了PapayaNet,这是一个以注意力为导向的卷积神经网络.
- 在五个卷积阶段利用批量规范化和层次关注.
- 在孟加拉国6618张高分辨率注释图像上训练模型.
主要成果:
- 在六个叶状态中实现了98.79%的分类准确性.
- 只有483,926个参数证明了低延迟推断 (0.01s).
- XAI方法 (Grad-CAM,LIME) 证实了模型的重点是生物相关的叶片区域.
结论:
- 帕帕亚网提供了一个可扩展,可解释的AI解决方案,用于实时监测帕帕亚疾病.
- 该系统的效率使其适用于边缘设备和无人机集成.
- 这一进步支持精准农业和对病的可持续管理.
