结合可解释机器学习方法的增强型田间农业作物分类
计算机视觉与模式识别
2024-08-23 v1 人工智能
摘要
近年来人工智能的日益普及导致人们对图像分类的兴趣激增,尤其是在农业领域。借助计算机视觉、机器学习和深度学习,该领域经历了重大变革,催生了田间作物分类的新技术。尽管对各种图像分类技术进行了广泛研究,但大多数都存在局限性,例如准确率低、数据使用有限以及缺乏模型大小和预测的报告。其中最大的局限性是模型可解释性的需求。本研究评估了四种不同的作物分类方法,即:使用手工特征提取方法(如SIFT、ORB和颜色直方图)的传统机器学习;自定义设计的CNN和已建立的深度学习架构(如AlexNet);对五个使用ImageNet预训练的模型(如EfficientNetV2、ResNet152V2、Xception、Inception-ResNetV2、MobileNetV3)进行迁移学习;以及前沿基础模型(如YOLOv8和DINOv2,一种自监督视觉Transformer模型)。所有模型都表现良好,但Xception在泛化方面优于所有模型,在测试数据上达到了98%的准确率,模型大小为80.03 MB,预测时间为0.0633秒。本研究的一个关键方面是应用可解释人工智能来提供所有模型的可解释性。本文介绍了使用LIME、SHAP和GradCAM对Xception模型的可解释性,确保了模型预测的透明度和可信度。本研究强调了根据任务特定需求选择正确模型的重要性。它还强调了可解释性在农业中部署人工智能的重要作用,为帮助增强人工智能驱动的作物管理策略提供了有洞察力的信息。
引用
@article{arxiv.2408.12426,
title = {Enhanced Infield Agriculture with Interpretable Machine Learning Approaches for Crop Classification},
author = {Sudi Murindanyi and Joyce Nakatumba-Nabende and Rahman Sanya and Rose Nakibuule and Andrew Katumba},
journal= {arXiv preprint arXiv:2408.12426},
year = {2024}
}