LeafSightX:一种可解释的注意力增强CNN融合模型,用于识别果叶病
Md Ehsanul Haque1, Fahmid Al Farid2, Md Kamrul Siam3
1Department of Computer Science and Engineering, East West University, Dhaka, Bangladesh.
Frontiers in artificial intelligence
|February 16, 2026
概括
LeafSightX使用双脊柱深度学习模型与多头自我注意力准确识别果叶疾病. 这种人工智能系统实现了高精度和实时性能,用于精密农业应用.
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:
- 准确的果叶病识别对于精准农业至关重要,以防止产量损失.
- 现有的深度学习模型往往缺乏现实世界的适用性,可解释性和统计验证.
研究的目的:
- 开发和验证LeafSightX,一个新的深度学习框架,用于准确和可解释的果叶病的识别.
- 通过专门的预处理,有限的数据增强和可解释的AI技术来增强模型的弹性和透明度.
主要方法:
- LeafSightX采用双脊柱架构,将DenseNet201和InceptionV3与多头自我注意 (MHSA) 结合起来.
- 该框架包含专门的预处理,有限的数据增强,以及可解释AI (XAI) 的Grad-CAM.
- 严格的评估涉及五类果叶病数据集和强度测试的独立数据集.
主要成果:
- 在初级数据集上,LeafSightX实现了99.64%的测试准确率和0.9962的F1得分.
- AUC和PR-AUC得分达到1,000,交叉验证的科恩卡帕 (平均值=0.9917) 显示出高的一致性.
- 该模型展示了实时推断能力,并在独立数据集上实现了99.69%的准确性,证明了稳定性和概括性.
结论:
- LeafSightX为精准农业中果叶病的识别提供了一个高度准确,可解释和强大的解决方案.
- 该框架的实时性能和通用化功能支持在农业中的实际AI应用.
- 这种严格评估的系统为人工智能驱动的植物疾病管理提供了可重复的基础.
关键词:
在DenseNet201中,我们可以使用开始V3 开始V3果叶病是果叶病的一种疾病.卷积神经网络 (CNN) 是一种神经网络.可解释的人工智能 (XAI)多头自我注意力 (MHSA)植物疾病检测检测检测检测精准农业 精准农业 精准农业更多相关视频
08:47Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation
Published on: February 9, 2024
2.1K
06:11Author Spotlight: Improved Methods for Preparing Transverse Sections and Unrolled Whole Mounts of Maize Leaf Primordia for Fluorescence and Confocal Imaging
Published on: September 22, 2023
4.3K
