MÔ HÌNH HỌC SÂU GIẢI THÍCH ĐƯỢC CHO BÀI TOÁN PHÂN LOẠI BỆNH CÂY TRỒNG

Tóm tắt

Trong những năm gần đây, nhiều nghiên cứu đã áp dụng học sâu trong trí tuệ nhân tạo nhằm hỗ trợ nhận diện và phân loại bệnh cây trồng. Tuy nhiên, các mô hình này khi áp dụng thực tế thường thiếu minh bạch và có độ chính xác chưa cao. Trong bài báo này, chúng tôi sử dụng hai kỹ thuật trí tuệ nhân tạo có thể giải thích (XAI) để phân tích cách mô hình nhận diện bệnh, qua đó cung cấp giải thích cho các dự đoán dựa trên bộ dữ liệu bệnh cây trồng New Bangladesh Crop được lấy ra từ bộ dữ liệu Plant Village ở một số loại cây lương thực trọng điểm. Để đánh giá khả năng tập trung của mô hình CNN vào vùng bệnh, chúng tôi tính toán giá trị Intersection over Union (IoU) cho một số ảnh bệnh của từng loại cây. Kết quả thực nghiệm giúp định hướng việc lựa chọn phương pháp XAI phù hợp và tinh chỉnh mô hình nhằm tăng độ chính xác. Chúng tôi đề xuất mô hình VGG16 cải tiến với cơ chế chú ý, đạt độ chính xác tương đối cao và khả năng tập trung vào vùng bệnh trên lá cây được cải thiện.