Explainable optimized deep learning and generative AI based framework for finger millet disease detection in smart agriculture
Sunil Kumar Mohapatra · A. Sanjib Kumar Patro · Lulen Kumar Sahu 等 7 人
提出融合深度学习、可解释AI与生成式AI的指状粟病害检测框架，实现高精度识别与决策支持。
用Kaggle指状粟图像训练CNN、VGG16、ResNet50，并用灰狼优化做
GWO特征选择显著提升精度，ResNet50达98.36%，结合Grad-CAM与Gemini AP
可探索轻量化模型与多作物泛化，并将XAI与生成式建议在田间移动端实时验证。
将深度学习、可解释AI与生成式AI结合用于指状粟病害识别，方法新颖、数据充分，对智慧农业有参考价值。
摘要 穇子（Eleusine coracana），当地称为指黍（ragi），是一种有益健康且气候适应性强的作物。它是亚洲和非洲半干旱及干旱地区的主食。霜霉病、斑驳病、苗枯病、黑穗病和枯萎病等病害可严重降低该作物的产量。传统诊断方法往往耗时且不适合大规模种植。因此，深度学习（DL）为智能商业农业提供了一种替代方案，可简化病害筛查并提高生产力。本研究提出了一种人工智能集成框架，用于早期病害干预，结合了深度学习、可解释人工智能（XAI）和基于图像的决策支持界面。使用来自Kaggle的指黍（ragi）数据集训练和评估了自定义CNN、VGG16和ResNet50模型。为减少特征冗余并提高泛化能力，将灰狼优化器（GWO）基于特征选择应用于每个模型的倒数第二层特征。自定义CNN、VGG16和ResNet50分别达到了89.40%、83.11%和91.83%的准确率。此外，使用GWO将准确率分别提高到97.71%、90.84%和98.36%。ResNet50达到了最高准确率98.36%，并被选为最终骨干网络。最终的ResNet50模型与Gemini API集成，根据预测类别和用户查询提供针对特定病害的建议。为提高预测透明度，使用Grad-CAM突出显示影响模型输出的图像区域。深度学习、可解释人工智能和生成式人工智能的集成提供了一种可扩展的方法，用于检测和管理指黍病害。所提出的工作通过提供基于人工智能和可解释人工智能支持的决策，促进了精准农业，同时推动了可持续农业实践。