نموذج تعلم عميق هجين لتصنيف أمراض أوراق الذرة مع ذكاء اصطناعي قابل للتفسير

الملخص تقدم هذه الدراسة نموذج تعلم هجين يدمج MobileNetV2 و Vision Transformer (ViT) مع نموذج تكديس لتصنيف أمراض أوراق الذرة، مع معالجة الحاجة الملحة للكشف المبكر لتحسين الإنتاجية الزراعية والاستدامة. باستخدام مجموعة بيانات 'أمراض أوراق الذرة' من كاجل، التي تتكون من 4,062 صورة عالية الدقة عبر خمس فئات (صدأ شائع، بقعة ورقية رمادية، صحي، مرض الفلورين الشمالي، ليست ورقة ذرة)، يحقق النموذج دقة مثيرة للإعجاب تصل إلى 96.73%. يؤسس نقل التعلم من ImageNet، بالتزامن مع زيادة بيانات (الدوران، flipping، التوسيع، ضبط السطوع)، إلى تحسين التعميم، بينما يقلل معدل الانقطاع بنسبة 20% من أثر الإفراط في التخصيص. تكمن الميزة الرئيسية للنموذج الهجين في قدرته على دمج نقاط القوة في استخراج الميزات المحلية لـ MobileNetV2 وفهم السياق العالمي لـ ViT، وتعززها قدرة نموذج التكديس على تقليل نقاط ضعف أي نموذج. توفر تقنيات الذكاء الاصطناعي القابلة للتفسير، بما في ذلك تفسيرات SHapley التراكمية (SHAP)، وتفسيرات نموذجية قابلة للتفسير محليًا (LIME)، و Grad-CAM، رؤى شفافة حول قرارات النموذج، مما يعزز الثقة بين المعنيين في الزراعة. تظهر التحليلات المقارنة تفوق النموذج على الأعمال السابقة، مع قيم F1 تتراوح ما بين 0.9276 إلى 1.0000. على الرغم من بعض الأخطاء الطفيفة في التصنيف بسبب التشابهات البصرية، يقدم النموذج حلاً قويًا وقابلًا للتفسير للزراعة الدقيقة.