通过深度学习与可解释 AI 推进农作物分析

水稻在贸易、营养和经济增长方面具有全球重要性，是一种主食。在亚洲国家中，如中国、印度、巴基斯坦、泰国、越南和印度尼西亚是长粒和短粒品种的领先生产国，包括 basmati、jasmine、arborio、ipsala 和 kainat saila。为确保消费者满意度并提升国家声誉，监测水稻作物和谷物质量至关重要。然而，人工检查劳动强度大、耗时且容易出错，凸显了对质量控制和产量提升的自动化解决方案的需求。本研究提出了一种使用卷积神经网络（CNN）对五个水稻谷物品种进行分类的自动化方法。一个包含 75000 张图像的公开数据集被用于训练和测试。模型评估采用了准确率、召回率、精确率、F1分数、ROC曲线和混淆矩阵。结果表明，分类准确率高且误分类极少，证实了模型在区分水稻品种方面的有效性。此外，还开发了一种用于水稻叶部病害（如 Brown Spot、Blast、Bacterial Blight 和 Tungro）的准确诊断方法。该框架将可解释人工智能（XAI）与深度学习模型相结合，包括 CNN、VGG16、ResNet50 和 MobileNetV2。诸如 SHAP（SHapley Additive exPlanations）和 LIME（Local Interpretable Model-agnostic Explanations）等可解释性技术揭示了特定谷物和叶片特征如何影响预测，增强了模型的透明度和可靠性。研究结果展示了深度学习在农业应用中的巨大潜力，为支持自动化农作物质量检查和疾病诊断的稳健、可解释系统铺平了道路，最终将惠及农民、消费者和农业经济。