一个可解释的深度学习框架用于在米和甘中检测少数作物疾病,使用基于CNN的特征提取

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:

• 农作物健康对全球粮食安全至关重要,需要早期发现疾病.
• 传统的疾病识别方法往往是缓慢和劳动密集的.
• 图像处理和人工智能 (AI) 的进步为自动化解决方案提供了潜力.

研究的目的:

• 提出一个人工智能支持的框架,用于早期检测和预测大米和甘叶病.
• 开发一个具有成本效益,精确和高效的智能农业自动化系统.
• 使用可解释的人工智能 (XAI) 提高决策透明度.

主要方法:

• 图像处理技术 (标准化,大小调整,规范化) 应用于剪切图像.
• 卷积神经网络 (CNN) 用于特征提取.
• 不太可能的学习 (FSL) 技术,包括原型网络和模型不可知的超级学习 (MAML),用于分类.
• 与Grad-CAM集成,以获得可解释的AI洞察力.

主要成果:

• 拟议的框架在疾病识别和预测方面表现出高准确性和特异性.
• 使用原型网络对大米叶病的准确率高达97.6%,使用MAML的准确率高达95.27%.
• 使用原型网络对甘叶病的准确率高达91.68%,使用MAML的准确率高达90.27%.
• 在疾病预测方面表现优于最先进的基准算法.

结论:

• 开发的AI框架有效地检测和预测大米和甘叶病.
• 在智能农业中,少量射击学习技术显著提高了疾病预测的准确性.
• 可解释的人工智能提高了对人工智能驱动的农业决策的透明度和信任.