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、農業の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タイムリーかつ正確な診断を必要とします。
従来の識別方法は面倒で、人為的エラーの影響を受けやすく、自動化されたソリューションの必要性を強調しています。
この研究では、5つのカテゴリに分離された2000の高解像度画像で構成される「カボチャ葉疾患データセット」に採用されています。
鈍いカビ、粉乳カビ、モザイク病、細菌の葉のスポット、健康な葉。
データセットは、モデルトレーニングの強力な表現を確保するために、いくつかの農業分野から厳密に組み立てられました。
Densenet201、Densenet121、Densenet169、Xception、Resnet50、ResNet101、InceptionResnetv2など、多くの熟練した深い学習アーキテクチャを調査し、ResNet50が最も効果的に機能し、精度が90.5％で、同等の精度、Recall、F1-Scoreが最も効果的であることが観察されました。
Grad-Cam、Grad-Cam ++、Score-Cam、Layer-Camなどの説明可能な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、自動疾患診断の理解と信頼を向上させました。
これらの発見は、Resnet50のカボチャ葉疾患の検出に革命をもたらす可能性を示しており、より早く、より正確な治療を可能にします。

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