PotatoGANs：利用生成对抗网络、实例分割和可解释人工智能提高土豆病害识别与分类
计算机视觉与模式识别
2025-06-24 v2
摘要
大量应用源于使用深度学习技术自动化农业病害分割。然而，这些应用常常在新条件下面临过拟合问题，导致分割性能下降。在土豆种植中，病害对产量影响巨大，农业经济迫切需要快速且正确地识别这些病害。传统数据增强方法，如旋转、翻转和平移，局限性大，常常无法提供强大的泛化结果。为此，我们的研究采用一种称为 PotatoGANs 的新颖方法。在此新颖数据增强方法中，利用两种生成对抗网络(GANs)从健康土豆图像生成合成土豆病害图像。该方法不仅扩大了数据集，还增加了多样性，有助于提高模型的泛化能力。以 Inception 分数作为衡量标准，我们的实验表明，PotatoGANs 创建的图像质量和逼真性更佳，强调其能够类似地接近真实病害图像的能力。CycleGAN 在图像质量方面优于 Pix2Pix GAN 模型，证据表明其更高的 IS 分数。CycleGAN 对黑色霉果和常见痂病分别获得更高的 Inception 分数 (IS) 为 1.2001 和 1.0900。这种合成数据可以显著提高大型神经网络的训练。它还减少了数据收集成本，同时增强了数据多样性和泛化能力。我们的工作通过将三种基于梯度的可解释人工智能算法 (GradCAM、GradCAM++ 和 ScoreCAM) 与三种不同的 CNN 架构 (DenseNet169、Resnet152 V2、InceptionResNet V2) 结合，提高了可解释性，用于土豆病害分类。
引用
@article{arxiv.2405.07332,
title = {PotatoGANs: Utilizing Generative Adversarial Networks, Instance Segmentation, and Explainable AI for Enhanced Potato Disease Identification and Classification},
author = {Fatema Tuj Johora Faria and Mukaffi Bin Moin and Mohammad Shafiul Alam and Ahmed Al Wase and Md. Rabius Sani and Khan Md Hasib},
journal= {arXiv preprint arXiv:2405.07332},
year = {2025}
}