Распознавание заболеваний подсолнечника с помощью гибридного глубокого обучения и объяснимости на базе ИИ

Подсолнечник — сельскохозяйственная культура, имеющая экономическую ценность и декоративное применение. Однако его производство может страдать от различных заболеваний, таких как пероноспороз (downy mildew), серая гниль (gray mold) и повреждения листьев (leaf scars), и фермерам трудно выявлять предрасположенные к заболеваниям состояния традиционными методами. Поэтому требуется компьютеризированная модель, объединяющая компьютерное зрение, искусственный интеллект и машинное обучение, для эффективного обнаружения заболеваний растений. В этой работе мы разрабатываем гибридную модель, интегрирующую перенос обучения (transfer learning, TL) и простую сверточную нейронную сеть (CNN) с использованием небольшого набора данных для выявления заболеваний подсолнечника. Из восьми моделей, протестированных на наборе из четырех классов (peronoспoroz/downy mildew, gray mold, leaf scars и здоровый лист), гибридная модель VGG19+CNN показала наилучшие результаты по точности (precision), полноте (recall), F1‑мере, точности классификации (accuracy), Hamming loss, коэффициенту Мэтьюса (Matthews correlation coefficient), Jaccard score и коэффициенту согласия Коэна (Cohen’s kappa). Экспериментальные результаты показывают, что предлагаемая модель обеспечивает лучшую точность, полноту и accuracy по сравнению с другими подходами на эталонном наборе данных.