欧亚国际

3月26日，Plant Phenomics刊发了由日本JST、名古屋大学和大阪大学的Yosuke Toda和Fumio Okura撰写的Research Article——如何利用卷积神经网络诊断植物病害（How Convolutional Neural Networks Diagnose Plant Disease）。

卷积神经网络（CNNs）的深度学习在各种植物疾病的分类方面已取得了巨大成功。然而，目前阐明其推理过程的研究数量有限，使其成为了一个不可触摸的黑匣子。揭示CNN以提取学习特征作为一种可解释的形式，不仅能确保其可靠性，而且还通过人为干预验证模型的真实性和训练数据集。

基于图像的卷积神经网络疾病诊断训练

由训练有素的CNN生成中间输出的可视化

本研究使用CNN应用各种神经元和分层可视化方法，使用公众可获得的植物疾病图像数据集进行训练。结果发现神经网络可以在诊断时捕获各种疾病特有的病变颜色和纹理，类似于人类的决策。虽然使用了几种可视化方法，但必须对其他可视化方法进行优化，以针对通过完全捕获功能生成相应输出的特定层。此外，通过解释生成的注意力图，研究人员确定了几个无法推断的层，并在网络中将其删除，在不影响分类准确性的情况下将参数数量减少了75％。该结果为CNN黑匣子用户在植物科学领域提供了动力，从而可以较好地理解诊断过程并进一步有效利用深度学习进行植物疾病诊断。

功能可视化

语义词典

评估注意图生成算法

How to Cite this Article

Yosuke Toda and Fumio Okura, “How Convolutional Neural Networks Diagnose Plant Disease,”�6�8Plant Phenomics, vol. 2019, Article ID 9237136, 14 pages, 2019.�6�8http://doi.org/10.1155/2019/9237136.