TriggerNet：面向红蜡虱检测的新型可解释 AI 框架

红蜡虱感染正在成为严重关切，尤其是在大面积椰子种植区，导致生产力下降和经济损失。准确、早期识别受感染植物对于有效管理至关重要。当前研究聚焦于评估和比较用于分类受感染植物和检测感染的机器学习模型。TriggerNet 是一个新型可解释 AI 框架，将 Grad-CAM、RISE、FullGrad 和 TCAV 集成，用于生成植物分类和病害检测中深度学习模型的新型可视化解释。本研究将 TriggerNet 应用于红蜡虱（Raoiella indica）感染，这是椰子种植和农业生产力的主要威胁。本研究利用 11 种植物的多样化 RGB 图像进行训练和评估：芒果、日期椰、鸟鸣花、椰子椰、姜黄、柑橘树、椰子油、兰花、香蕉椰、鳄梨树和铁铁椰。采用 CNN、EfficientNet、MobileNet、ViT、ResNet50 和 InceptionV3 等先进深度学习模型，以及 Random Forest、SVM 和 KNN 等机器学习分类器进行植物分类。对于病害分类，所有植物被分为四个类别：健康、黄斑、红褐脱色和丝网蜡。Snorkel 用于通过利用启发式规则和模式对这些病害类别进行标记，显著减少人工标注时间并提高数据集可靠性。