《An explainable deep machine vision framework for plant stress phenotyping》
背景
目前基于视觉症状的植物胁迫,由于其症状相似,主要是靠专家人工识别。但是人工过程繁琐,识别结果因人而异。
创新点
构建可解释的神经网络模型,实现植物胁迫的识别、分类和量化。并且解释哪些视觉特征用于病虫害的检测。
数据获取
照片数量
每种病害单张叶片2000张左右,包括正常叶片总共16207张,数据增强到65760张。
模型构建
模型解释
通过模型生成的卷积特征结合TOP-K算法生成特征图,与人工标记的叶片胁迫区域做空间相关性分析,验证特征图的“可信度”,借助视觉感官来解释卷积神经网络所产生的特征是如何用来胁迫识别和分类的。
胁迫程度等级预测:
对健康叶片计算其卷积层激活水平,以此为基准,计算各胁迫的激活水平,与其做比值,产生相应的胁迫等级标准。
猜你喜欢:👇🏻
⭐【笔记】基于 Mask R-CNN 的玉米田间杂草检测方法