PotatoGANs: Utilizing Generative Adversarial Networks, Instance Segmentation, and Explainable AI for Enhanced Potato Disease Identification and Classification

使用深度学习技术自动化农业病害分割已经产生了许多应用。但是，当应用于新的条件时，这些应用程序经常面临过度拟合的困难，导致分割性能降低。在马铃薯种植业的背景下，病害对产量有很大的影响，快速准确地识别这些病害对农业经济至关重要。传统的数据增强方法，如旋转、翻转和平移等，存在局限性，经常无法提供强大的泛化结果。为了解决这些问题，我们的研究采用了一种新的方法，称为PotatoGANs。在这种新的数据增强方法中，利用了两种生成对抗网络（GANs）从健康的马铃薯图像中生成合成的马铃薯病害图像。这种方法不仅扩展了数据集，而且增加了多样性，有助于增强模型的泛化能力。使用Inception分数作为度量标准，我们的实验表明，PotatoGANs创建的图像质量更好、更真实，强调了它们近似于真实病害图像的能力。CycleGAN模型在图像质量方面优于Pix2Pix GAN模型，其较高的Inception分数（IS）得分证明了这一点。CycleGAN分别对黑痘病和普通疮痂的Inception分数（IS）为1.2001和1.0900。这些合成数据可以显著改善大型神经网络的训练。它还可以减少数据收集成本，同时增强数据的多样性和泛化能力。我们的工作通过将三种基于梯度的可解释AI算法（GradCAM、GradCAM++和ScoreCAM）与三种不同的CNN架构（DenseNet169、Resnet152 V2、InceptionResNet V2）相结合，改善了解释性，用于马铃薯病害分类。

解决问题：本论文旨在解决使用深度学习技术进行农业病害分割时常遇到的过拟合问题，提出了一种名为PotatoGANs的新型数据增强方法，旨在改善模型的泛化能力。

关键思路：PotatoGANs是一种新型数据增强方法，利用两种生成对抗网络（GANs）从健康土豆图像中生成合成土豆病害图像，以扩展数据集并增加多样性，从而提高模型的泛化能力。

其他亮点：通过Inception分数作为衡量标准，实验结果表明PotatoGANs生成的图像质量更高、更逼真，能够更好地模拟真实的土豆病害图像。CycleGAN模型的IS分数比Pix2Pix GAN模型更高，对黑斑疫病和普通疮痂病的IS分别为1.2001和1.0900。此外，论文还结合了三种不同的CNN架构（DenseNet169、Resnet152 V2、InceptionResNet V2）和三种基于梯度的可解释AI算法（GradCAM、GradCAM++和ScoreCAM）进行土豆病害分类，提高了可解释性。

相关研究：最近在这个领域中，还有一些相关的研究，例如《Deep Learning for Plant Diseases: Detection and Saliency Map Visualisation》和《Agricultural Disease Classification Using Deep Convolutional Neural Networks》等。