Explainable AI-Enhanced Deep Learning for Pumpkin Leaf Disease Detection: A Comparative Analysis of CNN Architectures

要約

カボチャの葉の病気は農業生産性に対する重大な脅威であり、効果的な管理のためにはタイムリーで正確な診断が必要です。
従来の識別方法は手間がかかり、人的ミスの影響を受けやすいため、自動化されたソリューションの必要性が強調されています。
この研究では、5 つのカテゴリに分類された 2000 枚の高解像度画像で構成される「カボチャの葉の病気データセット」を使用しています。
べと病、うどんこ病、モザイク病、細菌性葉斑病、および健康な葉。
データセットは、モデル トレーニングのための強力な表現を保証するために、いくつかの農業分野から厳密に組み立てられています。
私たちは、DenseNet201、DenseNet121、DenseNet169、Xception、ResNet50、ResNet101、InceptionResNetV2 など、多くの優れた深層学習アーキテクチャを調査し、ResNet50 が 90.5% の精度と同等の精度、再現率、F1 スコアで最も効果的にパフォーマンスを発揮することを観察しました。
私たちは、Grad-CAM、Grad-CAM++、Score-CAM、Layer-CAM などの Explainable AI (XAI) アプローチを使用して、モデルの意思決定プロセスの意味のある表現を提供し、自動疾患診断に対する理解と信頼性を向上させました。
これらの発見は、ResNet50 がカボチャの葉の病気の検出に革命をもたらし、より早期かつ正確な治療を可能にする可能性を示しています。

要約(オリジナル)

Pumpkin leaf diseases are significant threats to agricultural productivity, requiring a timely and precise diagnosis for effective management. Traditional identification methods are laborious and susceptible to human error, emphasizing the necessity for automated solutions. This study employs on the ‘Pumpkin Leaf Disease Dataset’, that comprises of 2000 high-resolution images separated into five categories. Downy mildew, powdery mildew, mosaic disease, bacterial leaf spot, and healthy leaves. The dataset was rigorously assembled from several agricultural fields to ensure a strong representation for model training. We explored many proficient deep learning architectures, including DenseNet201, DenseNet121, DenseNet169, Xception, ResNet50, ResNet101 and InceptionResNetV2, and observed that ResNet50 performed most effectively, with an accuracy of 90.5% and comparable precision, recall, and F1-Score. We used Explainable AI (XAI) approaches like Grad-CAM, Grad-CAM++, Score-CAM, and Layer-CAM to provide meaningful representations of model decision-making processes, which improved understanding and trust in automated disease diagnostics. These findings demonstrate ResNet50’s potential to revolutionize pumpkin leaf disease detection, allowing for earlier and more accurate treatments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google