What question did this study set out to answer?

Cette recherche vise à développer un modèle hybride léger pour classifier les maladies des plantes médicinales en utilisant des techniques avancées d'IA.

February 12, 2026Scientific Reports0 citationsOpen Access

Un modèle hybride léger de CNN et de transformateur pour la classification des maladies des feuilles médicinales avec une IA explicable

JAJalal Ahmmed MKMd. Alamgir Kabir ARAtiq ur Rehman

Key Points

Cette recherche vise à développer un modèle hybride léger pour classifier les maladies des plantes médicinales en utilisant des techniques avancées d'IA.
Développé LSeTNet, un modèle hybride CNN-Transformateur avec des blocs SE.
Implémenté une validation croisée à cinq plis avec 1 000 images par classe de maladie.
Appliqué des techniques d'IA explicable, y compris Grad-CAM, LIME et t-SNE pour l'interprétation.
Réalisé une validation externe sur un ensemble de données indépendant avec 8 000 échantillons.
Atteint une précision de 99,72 % et un score F1 macro de 1,00 sur 12 classes de maladies.
La validation externe a abouti à une précision de 99,42 % et un F1 macro de 0,99 sur un autre ensemble de données.
Affiché un temps d'inférence rapide de 6,98 ms/image avec une faible utilisation de mémoire.

Abstract

Résumé Les plantes médicinales, y compris Ocimum tenuiflorum L. (Tulsi), Azadirachta indica A. Juss. (Neem) et Kalanchoe pinnata (Lam.) Pers. (Patharkuchi), sont des sources essentielles de composés bioactifs, mais les maladies des feuilles menacent leur rendement et leur intégrité phytochemique. Cette étude propose LSeTNet, une architecture hybride légère CNN (réseau de neurones convolutifs) Transformer avec des blocs Squeeze-and-Excitation (SE), atteignant une précision de 99,72 %, un score F1 macro de 1,00 et AUC = 1,00 sur 12 classes de maladies (1 000 images/classe après augmentation), utilisant seulement 9,38 M de paramètres et 2,50 GFLOPs. Une validation croisée à cinq plis a donné une précision de 99,74 % ± 0,14 %, avec une convergence rapide et aucune surajustement. L'Intelligence Artificielle Explicable (XAI) via le Gradient-weighted Class Activation Mapping (Grad-CAM) (intensité moyenne : 0,1664–0,2702), Local Interpretable Model-agnostic Explanations (LIME) et t-distributed Stochastic Neighbor Embedding (t-SNE) (score de silhouette : 0,87) a confirmé une attention biologiquement significative sur les régions pathologiques. La validation externe sur l'ensemble de données indépendant BD-MediLeaves (8 classes, 8 000 échantillons) a atteint une précision de 99,42 % et un F1 macro de 0,99. Avec une latence d'inférence de 6,98 ms/image et 35,81 Mo de mémoire, LSeTNet permet un déploiement en temps réel, basé sur la périphérie. Il surpasse significativement DenseNet169 (95,56 %), ViT-B16 (95,61 %) et LW-CNN+SE (95,39 %) (p < 10^-7, tests t appariés), établissant une référence transparente, efficace et généralisable pour la phytopathologie de précision et la culture durable des plantes médicinales.

Demander à l'IA

Bookmark

View Full Paper