用于改进干旱胁迫识别的可解释轻量级深度学习流水线

及早识别作物干旱胁迫对于实施有效的缓解措施和减少产量损失至关重要。非侵入式成像技术通过捕捉植物在缺水条件下的细微生理变化，展现出巨大潜力。基于传感器的成像数据为机器学习和深度学习算法提供了丰富的信息源，有助于进一步分析以识别干旱胁迫。尽管这些方法取得了良好结果，但实时田间应用需要专门针对自然农业条件复杂性设计的算法。我们的工作提出了一种新颖的深度学习框架，用于对自然环境中由无人机（UAV）采集的马铃薯作物干旱胁迫进行分类。其新颖之处在于将预训练网络与精心设计的自定义层进行协同组合。该架构利用了预训练网络的特征提取能力，同时自定义层实现了针对性的降维和增强的正则化，最终提升了性能。我们工作的一项关键创新在于集成了梯度类激活映射（Grad-CAM）这一可解释性技术。Grad-CAM 揭示了深度学习模型通常被称为“黑盒”的内部工作机制。通过可视化模型在图像中的关注区域，Grad-CAM 促进了可解释性并建立了对模型决策过程的信任。我们提出的框架实现了卓越的性能，特别是在使用 DenseNet121 预训练网络时，识别胁迫类别的精确率达到 97%，总体准确率达到 91%。对现有 SOTA 目标检测算法的比较分析表明，我们的方法在显著更高的精确率和准确率上具有优越性。