在田间条件下，应用可解释的AI驱动集成建模方法进行稳健的马铃薯病害识别

《Potato Research》：Application of Explainable AI-Driven Ensemble Modelling Approach for Robust Potato Disease Identification under Field Conditions

　　

摘要

全球粮食主权日益受到马铃薯疾病蔓延的威胁，这些疾病对马铃薯的产量和质量造成了严重损害。传统的疾病检测方法仍然非常繁琐且容易出错，依赖于专家诊断。为了应对这些挑战，本研究引入了一种结合了可解释人工智能（XAI）的集成建模方法，旨在克服马铃薯叶病识别中的实际问题，并推动再生农业实践的发展。研究从印度旁遮普邦的卡普尔塔拉地区收集了一个真实田地数据集，其中包含2017张原始图像（扩展至7248张样本），涵盖了两种破坏性马铃薯叶病——早疫病和晚疫病，以及健康叶片样本。数据集经过缩放和转换等预处理步骤，以提高模型的泛化能力。在所提出的系统中，整合了多种神经网络架构（如CNN、ResNet50、VGG16、MobileNetV2、EfficientNetB3和InceptionV3）的互补优势，以解决多类分类问题。该模型在独立测试集上取得了令人满意的结果，总体准确率达到99.72%，显示出对所有疾病类别的高预测可靠性，并超越了所有单独模型的表现（其准确率介于94.36%至99.48%之间）。此外，XAI技术的应用提供了可解释的可视化图表，有助于理解模型的推理机制，提高了植物病理学家和研究人员的透明度。这些结果证明了这种可扩展的马铃薯疾病管理方法的有效性：迁移学习、集成建模和可解释性方法显著提升了分类性能。此外，这种集成方法在精准农业系统中的应用潜力巨大，计算需求合理，适用于实时、特定地点的作物管理场景。