具有可解释AI的高性能并行多尺度关注网络,用于在农业系统中智能诊断叶病

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:

• 准确的植物病检测对于作物健康和农业生产率至关重要.
• 现有的方法经常与各种环境条件和疾病症状的精确局部化作斗争.
• 深度学习为自动化和准确的植物疾病诊断提供了潜力.

研究的目的:

• 开发和验证一个先进的深度学习框架,用于检测麻豆和花生叶的疾病.
• 通过创新的技术来提高分类准确性和模型概括性.
• 为植物病理学提供可解释的AI辅助诊断工具.

主要方法:

• 使用上下文图像增强维纳波器 (CIEWF) 降低噪音并提高图像质量.
• 使用生成对抗网络 (GAN) 来增强数据以增加数据集多样性.
• 开发了一个新的基于兴趣的区域多维关注网络 (ROI-MDAN),用于精确的疾病区域细分.
• 提出了MSFNet-CAM模型,具有并行多尺度特征和协调注意力,用于强大的特征提取和融合.
• 应用梯度加权类激活映射 (Grad-CAM) 为了模型的可解释性.

主要成果:

• 拟议的深度学习框架在分类麻和花生叶病方面表现出高效.
• 像CIEWF,GAN,ROI-MDAN和MSFNet-CAM这样的创新技术显著提高了检测准确性和概括性.
• Grad-CAM成功地可视化了疾病分类的关键区域,提高了模型的可解释性.
• 该方法为人工智能辅助的植物疾病诊断建立了新的基准.

结论:

• 开发的深度学习框架为自动检测植物叶病提供了强大而准确的解决方案.
• 集成先进的图像处理,数据增强,注意力机制和特征提取技术是非常有效的.
• 这种人工智能驱动的方法有可能在早期疾病诊断和作物管理方面显著帮助农民和研究人员.