一个注意力增强的CNN组合用于可解释和准确的棉花叶疾病分类
Md Ehsanul Haque1, Md Tamim Hasan Saykat1, Md Al-Imran1
1Department of Computer Science and Engineering, East West University, Dhaka, 1212, Bangladesh.
Scientific reports
|January 10, 2026
概括
这项研究介绍了CottonLeafNet,这是一个先进的AI模型,用于准确识别棉花叶病. 它提供了一种快速,可靠和可解释的解决方案,以提高作物产量和质量.
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:
- 手动识别棉花叶病是低效的,容易出错.
- 现有的自动化方法缺乏数据集多样性,一致的评估,可解释性和效率.
- 需要准确和强大的自动化解决方案来诊断棉花病.
研究的目的:
- 开发一个准确,强大,可解释的棉花叶病疾病分类的自动化系统.
- 为了解决现有的疾病自动识别方法的局限性.
- 提出一个提升注意力的卷积神经网络 (CNN) 组合,命名为CottonLeafNet.Net.
主要方法:
- 开发了一个增强注意力的CNN组合 (CottonLeafNet),集成轻量级的CNN.
- 使用了两个公开可用的棉花叶病数据集进行培训和评估.
- 使用梯度加权类激活映射 (Grad-CAM) 来实现模型的可解释性.
- 通过基于Web的部署验证实时可行性.
主要成果:
- CottonLeafNet实现了最先进的性能,在单独的数据集上达到99.43%的准确性,在合并的数据集上达到99.08%.
- 证明了高宏F1分数 (例如0.9942),科恩的卡帕 (例如0.9924) 和低推理时间 (每张图像0.40-0.51秒).
- 展示了在类不平衡下模型的稳定性和在数据集中适度的概括性.
- 格拉德-CAM可视化证实了对疾病相关区域的关注,提高了可解释性.
结论:
- CottonLeafNet提供了一个准确,强大,可解释和计算效率高的解决方案,用于自动诊断棉花叶病.
- 该模型的性能和实时可行性表明实际农业应用的巨大潜力.
- 这项工作通过可解释的AI来推进自动化作物疾病管理.
