基于高光谱成像的作物病害识别可解释性研究：三维卷积神经网络与显著图
计算机视觉与模式识别
2018-04-25 v1
摘要
我们的总体目标是利用高光谱数据开发一种准确且可解释的作物病害识别模型。炭腐病是一种土传真菌病害，影响全球大豆作物的产量。高光谱图像在383–1032 nm范围内的240个不同波长下捕获。我们开发了一种三维卷积神经网络（3D CNN）模型用于大豆炭腐病识别。我们的模型分类准确率为95.73%，感染类F1得分为0.87。我们使用显著图推断训练后的模型，并可视化能够实现分类的最敏感像素位置。利用显著图可视化还确定了各个波长对分类的敏感性。通过显著图可视化，我们确定最敏感的波长为733 nm。由于最敏感波长位于电磁频谱的近红外区域（700–1000 nm），该区域也是常用于判定植物营养健康的光谱区域，因此我们对该模型的预测更有信心。
引用
@article{arxiv.1804.08831,
title = {Explaining hyperspectral imaging based plant disease identification: 3D CNN and saliency maps},
author = {Koushik Nagasubramanian and Sarah Jones and Asheesh K. Singh and Arti Singh and Baskar Ganapathysubramanian and Soumik Sarkar},
journal= {arXiv preprint arXiv:1804.08831},
year = {2018}
}