ROI-aware түшүндүрүлө турган терең үйрөнүү алкагы, RGB сүрөттөрүндө адегенде киви жайгашкан кызыкчылык аймагын (Region of Interest, ROI) бөлүп, фонду басаңдатып, андан кийин конволюциялык нейрон тармактары аркылуу көрүнгөн Botrytis cinerea инфекциянын оордугун төрт деңгээлге классификациялаган сүрөткө негизделген ыкма. Бул изилдөө алтын түстүү эттүү ‘Haegeum’ кивисиндеги боз көгөрүү инфекциясынын көрүнгөн өнүгүшүн классификациялоо үчүн стандарттуу RGB сүрөттөрүн, ROI негизиндеги алдын ала иштетүүнү, RGB/LAB түс өзгөчөлүктөрүнөн эсептелген жабыркоо катышын, тогуз терең үйрөнүү архитектурасын жана Grad-CAM түшүндүрмөлүүлүк анализин бириктирген. Сүрөт классификациясынан тышкары мөмөнүн катуулугу, дем алуу ылдамдыгы жана этилен өндүрүшү өлчөнүп, көрүнгөн инфекция деңгээлдерин коштогон физиологиялык өзгөрүүлөр өзүнчө мүнөздөлгөн.

Жалпысынан 240 ‘Haegeum’ кивиси B. cinerea менен инокуляцияланып, 14 күндүк инкубация учурунда сегиз убакыт чекитинде изилденип, ар бир мөмө алты бурчтан сүрөткө тартылган. Бул процесс 1.440 чийки RGB сүрөтүн жараткан; сүрөт сапатын көзөмөлдөөдөн кийин 959 сүрөт терең үйрөнүү анализинде калтырылган. Инфекция деңгээлдери сырткы көрүнүшкө гана жараша аныкталган: Level 1 — көрүнгөн жабыркоо жок, Level 2 — жеңил бозомтук түс өзгөрүшү, Level 3 — локалдуу ак мицелийдин өнүгүшү жана Level 4 — кеңири мицелий өнүгүшү менен ткандын бузулушу.

Физиологиялык мүнөздөмө көрүнгөн оорунун өнүгүшү менен мөмөнүн катуулугу 4,82 Nден 2,79 Nге төмөндөгөнүн көрсөткөн. Дем алуу ылдамдыгы Level 1де 0,05 µmol kg⁻¹ s⁻¹ болсо, Level 4тө 0,24 µmol kg⁻¹ s⁻¹ге жеткен. Этилен Level 1 жана 2де аныкталган эмес, Level 3тө 0,001 µmol kg⁻¹ s⁻¹ деңгээлинде пайда болуп, Level 4тө 0,015 µmol kg⁻¹ s⁻¹ге чейин жогорулаган. Сүрөттөн эсептелген инфекция катышы сандык түрдө %0,13төн %4,50гө чейин көбөйгөн.

ROI-aware Pipeline IIде EfficientNet-B0, ResNet-50 жана ShuffleNet-V2 моделдери %90,3 тактыкка, ResNet-18 болсо %87,6 тактыкка жеткен. Pipeline IIнин эң туруктуу таасири тандалган бардык CNN архитектураларында Grad-CAM активдүүлүгүнүн мөмөнүн сыртындагы фон аймактарынан алыстатылышы болгон. Бирок өчүрүүгө негизделген Drop@20% Δ метрикасы бардык моделдерде бирдей багытта жакшырган эмес. Ошондуктан изилдөө ROI негизиндеги алдын ала иштетүү моделдин көңүлүн мөмө аймагына жакшыраак чектээрин колдойт, бирок Grad-CAM сүрөттөрүн инфекциянын себептик ордун далилдеген түшүндүрмө катары баалабайт.

Эң маанилүү чечмелөө чеги — модель чыныгы жашыруун же симптомсуз B. cinerea инфекциясын аныктай ала турганы көрсөтүлгөн эмес. Level 1 мөмөлөрү да B. cinerea менен инокуляцияланган; алар сүрөткө тартуу учурунда гана көрүнгөн жабыркоо көрсөткөн эмес. Мындан тышкары, өз алдынча mock-инокулацияланган дени сак контролдук топ жок. Ошондуктан изилдөө негизинен көзөмөлдөнгөн сүрөткө тартуу шарттарындагы көрүнгөн инфекциянын өнүгүшүн классификациялоо үчүн далил берет.

Кеңири Түшүндүрмө

Изилдөөнүн изилдөө маселеси

‘Haegeum’, Actinidia chinensis var. chinensis түрүнө кирген, сары эттүү жана Түштүк Кореяда коммерциялык мааниге ээ киви сорту. Киви — климактерикалык мөмө; бышуу процессинде этилен өндүрүшү жана дем алуу активдүүлүгү көбөйүшү мүмкүн. Түшүм жыйналгандан кийинки мезгилде мөмөнүн жумшарышы жана бышуусу козу карындан келип чыккан бузулуулар менен кошо жүрүшү мүмкүн.

Botrytis cinerea, боз көгөрүү оорусун пайда кылган фитопатогендик козу карын. Түшүм жыйноо учурунда латенттүү абалда болуп, сактоо же бөлүштүрүү маалында өнүгүп, мөмөдө түс өзгөрүшүнө, мицелий пайда болушуна, жумшарууга жана ткандын бузулушуна алып келиши мүмкүн.

Салттуу визуалдык текшерүү практикалык болгону менен баалоочунун чечмелөөсүнө көз каранды. Лабораторияга негизделген ыкмалар кеңири өлчөө бере алганы менен тез коммерциялык классификация үчүн чектелүү болушу мүмкүн. Ошондуктан изилдөөчүлөр стандарттуу RGB сүрөттөрүнөн көрүнгөн инфекциянын өнүгүшүн автоматтык түрдө баалай турган, ошол эле учурда модель кайсы сүрөт аймактарына көңүл бурганын текшерүүгө мүмкүндүк бере турган система иштеп чыгууну максат кылышкан.

Инфекция Деңгээлдери Кантип Аныкталган?

Изилдөөдөгү төрт инфекция деңгээли жасалма интеллект, мөмө катуулугу, дем алуу ылдамдыгы, этилен өндүрүшү же сүрөттөн эсептелген инфекция катышы менен эмес, сырттан көрүнгөн симптомдор менен гана берилген; физиологиялык өлчөөлөр жана инфекция катышы бул визуалдык класстар түзүлгөндөн кийин деңгээлдердин биологиялык жана жабыркоого байланышкан өзгөчөлүктөрүн мүнөздөө үчүн колдонулган.

Эмне үчүн Level 1 “дени сак мөмө” деп аталбашы керек?

Анткени экспериментте өзүнчө спора берилбеген mock контролдук топ жок. Level 1 тобундагы мөмөлөр да B. cinerea спора суспензиясы менен инокуляцияланган, бирок сүрөткө тартуу учурунда сырттан көрүнгөн жабыркоо пайда кылган эмес. Демек Level 1 менен такыр инокуляцияланбаган чыныгы дени сак мөмө бир эле илимий категория эмес.

Модель Симптомсуз Botrytis cinerea Инфекциясын Аныктайбы?

Бул изилдөө модель чыныгы симптомсуз же пре-симптомдук Botrytis cinerea инфекциясын ишенимдүү аныктай аларын көрсөтпөйт; класс белгилери көрүнгөн симптомдорго негизделген, өз алдынча дени сак контрол жок жана авторлор айрыкча эрте/симптомсуз инфекция келечекте табигый жана mock-инокулацияланган мөмөлөр менен өзүнчө ырасталышы керектигин белгилешет.

‘Haegeum’ мөмөлөрү кантип даярдалган?

‘Haegeum’ кивилери Түштүк Кореянын Jeollanam-do провинциясындагы Bosung аймагында жайгашкан коммерциялык бактан толук гүлдөөдөн 160 күн өткөндөн кийин жыйналган. Мөмөлөр окшош өлчөмдө жана көрүнгөн кемчиликсиз тандалып, эртең менен кол менен жыйналып, түз лабораторияга жеткирилген.

Баштапкы физиологиялык өзгөрмөлүүлүктү азайтуу жана коммерциялык узак мөөнөттүү муздак сактоону туурап көрсөтүү үчүн мөмөлөр инокуляциядан мурда 0 °C жана %85–90 салыштырма нымдуулукта 2,5 ай муздак кампада сакталган.

Botrytis cinerea инокуляциясы

Изилдөөдө ‘Haegeum’ кивисинен бөлүнүп алынган B. cinerea BHKA 1-1-1 штаммы колдонулган. Козу карын жетилген споралуу культура алуу үчүн potato dextrose agar үстүндө 25 °Cде төрт жума өстүрүлгөн.

Спора суспензиясы стерилдүү дистилденген сууда даярдалып, гемоцитометр менен 3 × 10⁸ спора L⁻¹ тыгыздыкка туураланган. Ар бир мөмөнүн stylar учуна жаракат келтирбестен 10 µL тамчы берилген. Булакка ылайык бул тамчы болжол менен 3 × 10³ спора камтыйт.

Инокуляцияланган мөмөлөр 20 °Cде, %80–85 салыштырма нымдуулукта, караңгыда 14 күн инкубацияланган.

Убакыт чекиттери жана сүрөттөрдүн саны

Жалпысынан 240 мөмө сегиз үлгү алуу убактысына бөлүштүрүлгөн: инокуляциядан кийин 0, 2, 4, 6, 8, 10, 12 жана 14-күндөр. Ар бир убакыт чекитинде 30 мөмө бааланган.

Ар бир мөмөдөн үстү, асты жана тең аралыктагы төрт каптал көрүнүшү болуп алты жогорку чечилишиндеги RGB сүрөтү алынган. Ошентип башында 1.440 чийки RGB сүрөтү пайда болгон. Сүрөт сапатын текшерүүдөн кийин 959 сүрөт модель окутуу жана баалоодо калтырылган.

Бул класс тең салмаксыздыгынан улам изилдөөчүлөр баалоодо макро-орточо precision, recall, F1 жана AUC сыяктуу метрикаларды колдонушкан. Окутуу учурунда class-weighted loss же кайра үлгүлөө колдонулган эмес.

Физиологиялык өлчөөлөрдүн ролу

Физиологиялык өлчөөлөр моделдин класс белгилерин түзүү үчүн колдонулган эмес. Мөмөлөр адегенде сырткы белгилерине жараша Level 1–4 деп бөлүнүп, андан кийин бул көрүнгөн деңгээлдерди коштогон биологиялык өзгөрүүлөр катуулук, дем алуу жана этилен аркылуу мүнөздөлгөн.

Мөмө катуулугу кантип өлчөнгөн?

Катуулук CT-3 texture analyzer аппаратында 4 mm жалпак учтуу зонд менен Newton (N) түрүндө өлчөнгөн. Ар бир мөмөнүн экватор аймагынын карама-каршы эки тарабында, ар биринде 4 mm кысуу тереңдиги жана 1 mm s⁻¹ ылдамдык колдонулган.

Ар бир көрүнгөн инфекция деңгээли үчүн 15 биологиялык кайталоо бааланып, жыйынтыктар орточо ± стандарттык ката (SE) катары берилген.

Дем алуу ылдамдыгы жана этилен кантип өлчөнгөн?

Эки киви 1 L аба өткөрбөгөн пластик идишке салынып, 25 °Cде эки саат кармалган. Headspaceден 1 mL газ алынып, YL 6400 газ хроматография системасына сайылган.

Этилен үчүн flame ionization detector, CO₂ үчүн thermal conductivity detector колдонулган. Система Porapak N 80/100 колонкасы жана 18 mL min⁻¹ агым ылдамдыгындагы гелий ташуучу газ менен иштетилген. Инжектор жана меш 50 °C, thermal conductivity detector 200 °C, flame ionization detector болсо 250 °Cде кармалган.

Ар бир инфекция деңгээли үчүн беш биологиялык кайталоо бар. Ар бир кайталоо эки мөмө салынган бир идиш болгондуктан, газ өлчөөлөрүндө ар бир деңгээлге жалпысынан 10 мөмө колдонулган.

Булакта ар башка үстүңкү индекс тамгалары Tukey HSD тестинде p<0,05 деңгээлиндеги маанилүү айырманы көрсөтөт. Катуулук боюнча төрт деңгээлдин баары бири-биринен айырмаланган. Дем алуу ылдамдыгында Level 2 жана Level 4 бир статистикалык топто; Level 3 алардан төмөн, Level 1 эң төмөн деңгээлде. Этилен Level 1 жана 2де аныкталган эмес, Level 3 жана Level 4 бири-биринен маанилүү айырмаланган.

Инфекция катышында Level 1, 2 жана 3 бир эле статистикалык тамганы алып жүрөт; башкача айтканда сандык өсүш болгону менен, булак таблицасындагы Tukey салыштыруусуна ылайык бул үч деңгээлдин ортосунда маанилүү айырма көрсөтүлгөн эмес. Level 4 болсо алгачкы үч деңгээлден маанилүү айырмаланган.

ROI-Aware Pipeline II Эмнени Өзгөртөт?

Pipeline II негизги RGB классификация агымына автоматтык мөмө ROI сегментациясын жана фон пикселдерин нөлдөөнү кошуп, CNN киришин жана Grad-CAM анализин мөмө аймагына чектейт; ошондой эле RGB blue менен LAB L* жана a* каналдарынан эрежеге негизделген инфекция катышын эсептейт, бирок CNNдин классификация кириши дагы эле RGB сүрөт болуп саналат жана бул катыш класс белгилерин аныктоо үчүн колдонулбайт.

Pipeline I: негизги RGB ыкмасы

Pipeline I булакта baseline RGB pipeline катары аныкталган. Чийки RGB сүрөттөрү адегенде 330 × 330 пикселге кайра өлчөмдөлүп, андан кийин борбордон 224 × 224 пикселге кесилип, ImageNet орточо жана стандарттык четтөөсү менен нормалдаштырылган.

Бул ыкмада фон өзүнчө сегментация менен алынган эмес. Ошондуктан табак четтери, көлөкөлөр, чагылуулар жана башка сүрөт элементтери CNNдин көрүү аймагында калышы мүмкүн.

Pipeline II: ROI-aware ыкмасы

Pipeline IIде мөмө аймагы автоматтык сегментация менен аныкталган. Адегенде босого негизиндеги foreground separation жүргүзүлүп, андан кийин морфологиялык жакшыртуу колдонулуп, эң чоң байланышкан компонент мөмө ROIси катары аныкталган.

ROIден тышкаркы пикселдер нөлгө маскаланган. Андан кийин ошол эле кайра өлчөмдөө, center crop жана ImageNet нормалдаштыруу иштери колдонулган. Ошентип эки pipeline ортосундагы системалык айырма ROI негизиндеги фон басаңдатуу жана Pipeline IIдеги инфекция катышын чыгаруу болуп саналат.

RGB жана LAB түс мейкиндиктери эмне үчүн бирге колдонулган?

RGB сүрөттөрүндө B каналы blue, башкача айтканда көк каналдын интенсивдүүлүгүн билдирет. LAB түс мейкиндигиндеги L* кабыл алынган жарыктыкты, a* болсо кызыл-жашыл багытындагы түс компонентин билдирет. Изилдөөчүлөр көрүнгөн жабыркоолордогу түстүн күңүрттөнүшүн, түс жоготуусун жана бет өзгөрүүлөрүн жакшыраак ажыратуу үчүн RGB B каналын LAB L* жана a* маанилери менен бириктиришкен.

Бул босоголор стандартташтырылган жарыктандырууда өкүл сүрөттөрдө эмпирикалык аныкталып, андан кийин бардык үлгүлөр үчүн туруктуу кармалган. Демек бул босоголор башка камера, жарыктандыруу, түшүм мезгили же мөмө популяцияларында ошол эле натыйжаны бере турганы бул изилдөөдө далилденген эмес.

Пиксел классификация эрежелери

Булак текст B=130 же B=170 теңдик чектерин өзүнчө түшүндүрбөйт; ошондуктан бул жерде булакта жок чек эрежеси кошулган эмес.

Теңдеме 1: сүрөттөн инфекция катышы

\[ \text{Enfeksiyon oranı (\%)}= \frac{N_{\text{infected pixels}}} {N_{\text{fruit ROI pixels}}}\times100 \]

N_{infected pixels}, ROI ичинде эрежеге негизделген босоголор менен “инфекцияланган” деп классификацияланган пикселдердин саны. N_{fruit ROI pixels}, сегментация менен аныкталган мөмө ROIсиндеги жалпы пикселдердин саны.

Натыйжа пайыз менен жабыркоо жүгүн чагылдырган сүрөттөн алынган дескриптор. “Шектүү” пикселдер алымга киргизилген инфекцияланган пикселдер менен бир категория эмес.

Эң маанилүү чектөө — бул катыш эксперт кол менен тарткан жабыркоо маскасына каршы ырасталган көз карандысыз ground-truth сегментация метрикасы эмес. Изилдөөчүлөр да келечекте кол менен жабыркоо аннотациялары аркылуу ырастоо керектигин белгилешет.

Терең үйрөнүү архитектуралары

Алгачкы скринингде тогуз архитектура бааланган:

• ResNet-18
• ResNet-50
• EfficientNet-B0
• ShuffleNet-V2
• MobileNet-V2
• MNASNet1_0
• GoogLeNet
• ViT-Base
• ViT-Large

Алгачкы скринингден кийин натыйжалуулугу жогору жана класстар боюнча тең салмактуураак болгон ResNet-18, ResNet-50, EfficientNet-B0 жана ShuffleNet-V2 кийинки жупташкан Pipeline I–Pipeline II салыштыруусу үчүн тандалган.

Transfer learning жана окутуу жөндөөлөрү

Бардык моделдер ImageNetте алдын ала үйрөтүлгөн салмактар менен башталып, киви маалымат топтомунда fine-tuning жүргүзүлгөн. Баштапкы классификация башы алынып, ордуна төрт инфекция деңгээлин чыгарган fully connected чыгыш катмары кошулган.

Ар бир splitте validation accuracyси эң жогору болгон checkpoint акыркы тест баалоосунда колдонулган.

Маалымат агып кетишин көзөмөлдөө: Бир эле мөмөнүн алты башка сүрөтү көз карандысыз үлгүлөр сыяктуу ар башка train/validation/test топторуна бөлүштүрүлгөн эмес. Бир мөмөгө тиешелүү бардык сүрөттөр бир subset ичинде кармалган. Бул дизайн ошол эле физикалык мөмөнүн ар башка бурчтарын окутууда да, тестте да көрүүдөн улам жаралышы мүмкүн болгон жасалма натыйжа өсүшүн алдын алуу үчүн маанилүү.

Булакта берилбеген окутуу деталдары: Макала batch size, колдонулган loss функциясынын толук аталышын, random seed маанилерин жана окутуу/inference жабдыгынын процессор/GPU моделин так көрсөтпөйт. Булар Verianla тарабынан толукталган эмес.

Эмне үчүн augmentation чектелүү сакталган?

Изилдөөчүлөр классификация жеңил бозомтук түс өзгөрүшүнө, локалдуу мицелийге, бет текстурасына жана RGB/LAB түс маалыматындагы майда өзгөрүүлөргө көз каранды экенин белгилешет. Күчтүү геометриялык же түскө негизделген augmentation иштери бул биологиялык белгилерди жасалма өзгөртүшү мүмкүн деген себеп менен окутуудагы көбөйтүү random horizontal flip менен гана чектелген.

Мунун ордуна маалымат ар түрдүүлүгүнүн чектелүү калышы, айрыкча жаңы сүрөткө тартуу шарттарында моделдин туруктуулугун азайтышы мүмкүн экени да изилдөөдө чектөө катары талкууланат.

Grad-CAM Бул Изилдөөдө Эмнени Көрсөтөт жана Эмнени Далилдебейт?

Grad-CAM CNN чечимине кайсы сүрөт аймактары көбүрөөк салым кошконун түстүү saliency бөлүштүрүүлөрү менен көрсөтүү үчүн колдонулган; ROI-aware Pipeline II активдүүлүктү мөмө аймагында көбүрөөк топтогон, бирок булак бул мейкиндиктик дал келүү инфекциянын чыныгы себептик ордун же модель түшүндүрмөсүнүн тууралыгын так далилдебей турганын ачык белгилейт.

Grad-CAM деген эмне?

Gradient-weighted Class Activation Mapping (Grad-CAM), белгилүү класс болжолунда CNNдин жогорку деңгээлдеги өзгөчөлүк карталарынын кайсы мейкиндиктик аймактары көбүрөөк таасир эткенин көрсөтүүгө аракет кылган post hoc түшүндүрмөлүүлүк ыкмасы. Изилдөө Grad-CAMдин негизги туунду теңдемесин кайра бербейт; ал чыгарган активдешүү карталарынын ROI менен мейкиндиктик байланышын өзүнчө аныкталган метрикалар менен баалайт.

Теңдеме 2: Accuracy

\[ \mathrm{Accuracy}= \frac{\sum_{c=1}^{C}TP_c}{N} \]

TP_c, c классындагы туура оң болжолдордун саны; C класстардын саны жана бул изилдөөдө C=4. N, бааланган жалпы сүрөттөрдүн саны.

Accuracy бардык туура классификациялардын бардык үлгүлөргө катышы. Бирок класстар тең салмаксыз болгондо accuracy жалгыз өзү кичине класстардагы натыйжаны жетиштүү көрсөтпөшү мүмкүн.

Теңдеме 3: Precision

\[ \mathrm{Precision}_c= \frac{TP_c}{TP_c+FP_c} \]

FP_c, чынында башка класска тиешелүү болсо да c классы деп болжолдонгон жалган оң үлгүлөр. Precision модель “бул сүрөт c классы” дегенде бул чечимдердин канчасы туура экенин билдирет.

Теңдеме 4: Recall

\[ \mathrm{Recall}_c= \frac{TP_c}{TP_c+FN_c} \]

FN_c, чынында c классына тиешелүү болсо да модель башка класска жиберген жалган терс үлгүлөр. Recall же sensitivity чыныгы c классы үлгүлөрүнүн канчасы кармалганын көрсөтөт.

Теңдеме 5: F1-score

\[ F1_c= \frac{2\times\mathrm{Precision}_c\times\mathrm{Recall}_c} {\mathrm{Precision}_c+\mathrm{Recall}_c} \]

F1-score precision менен recallдун гармониялык орточосу. Метрика эки өлчөөнүн бирөөсү гана жогору болушун жетиштүү деп эсептебейт; тең салмаксыз precision–recall жүрүм-турумун жазалайт.

Теңдеме 6: Макро орточо

\[ \mathrm{Precision}_{macro}= \frac{1}{C}\sum_{c=1}^{C}\mathrm{Precision}_c \]

\[ \mathrm{Recall}_{macro}= \frac{1}{C}\sum_{c=1}^{C}\mathrm{Recall}_c \]

\[ F1_{macro}= \frac{1}{C}\sum_{c=1}^{C}F1_c \]

Макро орточодо төрт класстын ар бири бирдей салмакка ээ. Level 2де 447 сүрөт, Level 4тө 95 сүрөт болгонуна карабастан, макро метрикада Level 2 жөн гана үлгүлөрү көп болгону үчүн көбүрөөк салмак албайт.

Теңдеме 7: Macro AUC

\[ AUC_{macro}= \frac{1}{C}\sum_{c=1}^{C}AUC_c \]

Көп класстуу маселеде ар бир класс үчүн one-vs-rest ROC ийри сызыгы түзүлүп, тиешелүү AUC маанилери бирдей салмак менен орточолонөт. AUC белгилүү бир чечим босогосуна байланбастан класстардын ажыратылуу жөндөмүн баалайт.

Теңдеме 8: Outside-ROI ratio

\[ \mathrm{Outside\text{-}ROI\ ratio(\%)}= \frac{\sum_{p\notin ROI}A(p)} {\sum_p A(p)}\times100 \]

A(p), p пикселиндеги CAM активдүүлүгү. Алым мөмө ROIсинен тышкары калган CAM активдүүлүктөрүнүн суммасы; бөлүм бүт сүрөттөгү жалпы CAM активдүүлүгү.

Бул катыш азайганда моделдин saliencyсинин азыраак бөлүгү фонго өтөт. Pipeline IIде тандалган төрт CNNдин баарында бул маани азайган.

Теңдеме 9: ROI ичиндеги entropy

Адегенде CAM активдүүлүгү ROI ичинде нормалдаштырылат:

\[ \widetilde{A}(p)= \frac{A(p)} {\sum_{q\in ROI}A(q)} \]

Андан кийин:

\[ \mathrm{Entropy}_{ROI} = -\sum_{p\in ROI} \widetilde{A}(p)\log\widetilde{A}(p) \]

Entropy ROI ичиндеги активдүүлүк канчалык кеңири таралган же топтолгон экенин өлчөйт. Төмөн entropy saliency азыраак чачырап, мейкиндиктик жактан көбүрөөк топтолгон түзүлүшкө шайкеш келет. Булак логарифмдин негизин өзүнчө көрсөтпөйт.

Теңдеме 10: CAM area ≥ 0.5

\[ \mathrm{CAM\ area}_{\geq0.5} = \frac{\left|\left\{p\in ROI:A(p)\geq0.5\right\}\right|} {|ROI|} \]

Алым — нормалдаштырылган CAM интенсивдүүлүгү кеминде 0,5 болгон ROI пикселдеринин саны; бөлүм — жалпы ROI пикселдеринин саны. Ошентип жогорку активдүүлүктөгү аймактын ROI ичиндеги салыштырма көлөмү эсептелет.

Булактагы көрсөтүү боюнча эскертүү: Теңдеме бул маанини 0–1 катышы катары аныктаганына карабастан, Table 3 мамыча башында “%” белгиси колдонулуп, маанилер 0,17–0,77 сыяктуу ондук түрдө берилген. Булак бул масштаб көрсөтүлүшүн өзүнчө түшүндүрбөгөндүктөн, Verianla маанилерди үнсүз түрдө 17 же 77 сыяктуу пайыздарга айлантпайт.

Теңдеме 11: Drop@20% Δ

\[ P_{drop}(\cdot)= P_{original}-P_{masked} \]

\[ \mathrm{Drop@20\%\ }\Delta= P_{drop}(CAM)-P_{drop}(Random) \]

Ар бир тест сүрөтүндө ROI ичинде Grad-CAM эң жогору белгилеген %20 аймак маскаланып, туура класска тиешелүү болжол ыктымалдыгы канчалык азайганы өлчөнөт. Ошол эле аракет бирдей өлчөмдөгү туш келди тандалган ROI аймагы үчүн кайталанат.

Оң Drop@20% Δ CAM белгилеген аймакты маскалоо туш келди аймакты маскалоого салыштырганда моделдин ишенимин көбүрөөк азайтканын көрсөтөт. Бирок булак бул метриканы себептик түшүндүрмөнүн так далили катары эмес, модель болжолунун сезимталдыгы тууралуу кошумча көрсөткүч катары чечмелейт.

Теңдеме 12: FPS

\[ FPS= \frac{N_{images}} {T_{inference}} \]

N_images, тест учурунда классификацияланган сүрөттөрдүн саны; T_inference болсо бул сүрөттөрдүн forward-pass убактысы жана секунд менен өлчөнөт.

FPS жогорулаган сайын модель бирдей жабдык шартында секундасына көбүрөөк сүрөт иштете алат. Бирок макала FPS өлчөөсү бирдей жабдык шартында жасалганын айтса да, колдонулган процессор же GPU моделин бербейт. Ошондуктан башка системада ошол эле FPS мааниси алынат деп болжолдоого болбойт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Статистикалык анализ

Физиологиялык өлчөөлөр жана сүрөттөн алынган инфекция катышы толук туш келди дизайнда анализденген. Катуулук, дем алуу, этилен жана инфекция катышы үчүн бир багыттуу дисперсиялык анализ (one-way ANOVA), андан кийин Tukey honestly significant difference (HSD) көп салыштыруу тести колдонулган.

Маанилүүлүк чеги p<0,05. Статистикалык анализ IBM SPSS Statistics 21 менен жүргүзүлгөн.

Физиологиялык жыйынтыктар жана инфекция катышы орточо ± стандарттык ката (SE) түрүндө берилген. Үч көз карандысыз мөмө-деңгээлдүү splitтен эсептелген модель натыйжалуулугу жана CAM метрикалары болсо орточо ± стандарттык четтөө (SD) түрүндө.

Булак Pipeline I менен Pipeline II модель метрикаларынын ортосунда өзүнчө inferential p-маани тестин билдирбейт. Ошондуктан модель натыйжалуулугундагы айырмалар “статистикалык жактан маанилүү жакшыртуу” деп кайра белгиленген эмес.

Тогуз архитектуранын классификация жыйынтыктары

Pipeline IIде эң жогорку accuracy маанисин EfficientNet-B0, ResNet-50 жана ShuffleNet-V2 бөлүшкөн: үч модель тең %90,3 тактыкка жеткен. Бирок башка метрикалары бирдей эмес. EfficientNet-B0до precision %93,7, recall %91,8 жана F1 %92,1 болсо, ShuffleNet-V2де тиешелүүлүгүнө жараша %92,1, %92,3 жана %92,1.

ResNet-50 тереңирээк тармак болгону менен accuracy жагынан EfficientNet-B0 жана ShuffleNet-V2ден ашкан эмес. Бул натыйжа ушул маалымат топтомунда тармактын тереңдиги көбүрөөк болушу автоматтык түрдө жогорку тактык бербей турганын көрсөтөт; бирок бардык сүрөт классификация тапшырмаларына жалпылоого болбойт.

MNASNet1_0 Pipeline IIде жакшырган эмес, accuracy %55,9дан %50,3кө түшкөн. Бул ROI-aware иштетүү архитектурага карабай ар бир моделди жакшырткан универсалдуу ыкма эмес экенин ачык көрсөтөт.

CNN жана Vision Transformer жыйынтыгы кантип чечмеленген?

Булакта CNN негизиндеги моделдер бул маалымат топтомунда ViT-Base жана ViT-Largeдан күчтүүрөөк натыйжа көрсөткөнү айтылган. Авторлор муну көрүнгөн жабыркоолор локалдуу түс жана текстура түзүлүштөрүн камтышы, CNNдердин күчтүү жергиликтүү inductive biasы жана маалымат топтомунун салыштырмалуу кичине болушу менен байланыштуу болушу мүмкүн деп талкуулашат.

Бул түшүндүрмө — изилдөө авторлорунун чечмелөөсү. Изилдөө “CNN ар бир айыл чарба сүрөт тапшырмасында Vision Transformerдан жогору” деген жыйынтыкты колдобойт.

Macro AUC салыштырылышы

Тандалган төрт CNNде Pipeline II менен macro AUC жогорулаган. Булактын Table 3тө берген маанилери төмөнкүдөй:

Булак ROC графигинде ошол эле чоңдуктар болжол менен 0,95, 0,98 сыяктуу 0–1 AUC масштабында көрсөтүлсө, Table 3 маанилери 94,89 жана 98,13 түрүндө берилген. Бул эки көрсөтүү пайыз/ондук масштаб өзгөрүшүнө шайкеш келет; бирок Table 3түн AUC мамыча башында так “%” белгиси жок болгондуктан Verianla таблица маанилерин булактагыдай сактайт.

Grad-CAM сандык жыйынтыктары

Эң туруктуу жыйынтык outside-ROI ratioда. Pipeline IIде төрт моделдин баарында бул маани азайган. ResNet-18де 0,77ден 0,59га; ResNet-50дө 0,78ден 0,48ге; EfficientNet-B0до 0,71ден 0,32ге; ShuffleNet-V2де 0,51ден 0,26га түшкөн. Бул модель активдүүлүгү фондон мөмө аймагына көбүрөөк чектелгенин колдойт.

ROI entropy да төрт архитектуранын баарында азайып, жогорку интенсивдүүлүктөгү CAM аймагы компакттуу болгон. Бирок Drop@20% Δ бирдей багытта өзгөргөн эмес. ShuffleNet-V2 терстен оңго өткөндө ResNet-50 оң бойдон калып, бирок кичирейген; ResNet-18 андан да терс болуп, EfficientNet-B0 оңдон терске өткөн.

Ошондуктан изилдөө Pipeline II моделдин көңүлүнүн мейкиндиктик ордун көбүрөөк туруктуу болгонун күчтүү колдойт; бирок түшүндүрмөлүүлүктүн ар бир жагы жана ар архитектурадагы себептик маанилүүлүк өлчөмү бирдей жакшырганын колдобойт.

Inference ылдамдыгы

ShuffleNet-V2 эки pipelineда тең эң жогорку FPS маанисин берген: Pipeline I үчүн 21,48 ± 0,92 FPS, Pipeline II үчүн 21,43 ± 0,30 FPS. ResNet-50 болсо тиешелүүлүгүнө жараша 11,44 ± 0,27 жана 12,31 ± 0,06 FPS менен эң жай модель.

Pipeline II ROI сегментациясын кошконуна карабастан тандалган CNNдерде inference throughputка чоң жаза жараткан эмес. Бирок макала колдонулган жабдык моделин бербегендиктен, бул FPS маанилери башка жабдыкта түз эле кайра алынат деп болжолдоого болбойт.

Эмне үчүн эрте деңгээлдер кыйыныраак?

Булактын класс боюнча анализине ылайык Level 3 жана Level 4 сыяктуу өнүккөн инфекция деңгээлдери жакшы иштеген CNNдер тарабынан оңойураак ажыратылган. Себеби бул деңгээлдерде мицелий өнүгүшү, ачык түс өзгөрүшү жана ткандын чөгүшү сыяктуу күчтүү визуалдык белгилер пайда болот.

Level 1 менен Level 2нин айырмасы кыйыныраак. Level 1 көрүнгөн жабыркоосу жок инокуляцияланган мөмөлөрдөн, Level 2 болсо жеңил бозомтук түс өзгөрүшүнөн турат. Мөмө бетинин табигый түсү, жарыктандыруу айырмалары жана өтө эрте симптомдор бул эки категориянын көрүнүштөрүн бири-бирине окшоштурушу мүмкүн.

Авторлор ошондой эле Level 3–4 сыяктуу өнүккөн чирүү деңгээлдери адам тарабынан ансыз деле оңой байкала тургандыктан, бул өнүккөн класстарды автоматтык ажыратуунун практикалык маанисин этият чечмелөө керектигин белгилешет. Изилдөөнүн маанилүүрөөк келечектеги максаты — эрте жана симптомсуз инфекцияны ишенимдүү ажыратуу.

Физиология менен жасалма интеллекттин байланышы

Көрүнгөн инфекциянын өнүгүшү мөмөнүн жумшарышы, дем алуу активдүүлүгүнүн өзгөрүшү жана кеч этаптагы этилен өндүрүшү менен коштолгон. Grad-CAM активдүүлүктөрү да көпчүлүк үлгүлөрдө көрүнгөн түс өзгөрүшү, жумшаруу же мицелийге байланышкан аймактар менен мейкиндиктик шайкештик көрсөткөн.

Бирок бул байланыш түз физиологиялык ырастоо эмес. CNNдин белгилүү бир сүрөт аймагына көңүл бурушу ошол аймак белгилүү бир этилен концентрациясына же дем алуу ылдамдыгына түз туура келерин көрсөтпөйт. Физиологиялык өлчөөлөр деңгээл боюнча post hoc мүнөздөмө берет.

RGB/LAB ыкмасынын колдонмо мааниси

Изилдөө стандарттуу санарип RGB сүрөттөрү hyperspectral системаларга салыштырмалуу жөнөкөй жана арзаныраак сүрөткө тартуу ыкмасын бере аларын талкуулайт. Бирок бул изилдөө RGB/LAB системасын hyperspectral система менен ошол эле үлгүлөрдө түздөн-түз чыгым же натыйжалуулук жагынан салыштырган эксперимент эмес.

Ошондуктан “RGB ыкмасы hyperspectral сүрөткө тартуудан жогору” деген жыйынтык чыгарууга болбойт. Булак колдогон тар жыйынтык — стандартташтырылган көзөмөлдүү сүрөткө тартуу шартында ROI-aware RGB/LAB ыкмасы көрүнгөн инфекция деңгээлдерин классификациялоодо пайдалуу натыйжа берген.

Изилдөө колдогон жыйынтыктар

• ‘Haegeum’ кивисинде көрүнгөн B. cinerea инфекциясынын өнүгүшү мөмөнүн жумшарышы, дем алуу өзгөрүшү жана өнүккөн деңгээлдерде этилен өндүрүшү менен коштолгон.
• ROI-aware алдын ала иштетүү тандалган CNN моделдеринде фондон келип чыккан Grad-CAM активдүүлүгүн азайткан.
• EfficientNet-B0, ResNet-50 жана ShuffleNet-V2 Pipeline IIде %90,3 accuracyга жеткен.
• ROI-aware ыкмасы бардык архитектураларда бирдей натыйжа өсүшүн берген эмес.
• Жеңил жана эрте көрүнгөн деңгээлдерди ажыратуу өнүккөн инфекция деңгээлдерине караганда кыйыныраак.
• ShuffleNet-V2 жогорку accuracy менен бирге тандалган төрт модель арасында эң жогорку inference ылдамдыгын берген.

Изилдөө колдобогон жыйынтыктар

• Модель чыныгы latent же симптомсуз инфекцияны ишенимдүү аныктай турганы көрсөтүлгөн эмес.
• Level 1 чыныгы инокуляцияланбаган дени сак контрол эмес.
• Сүрөттөн эсептелген инфекция катышы кол менен белгиленген жабыркоо ground-truthу катары көз карандысыз ырасталган эмес.
• Grad-CAM көрсөткөн аймактар инфекциянын себептик биологиялык очогу катары ырасталган эмес.
• Pipeline II ар бир моделди жана ар бир түшүндүрмөлүүлүк метрикасын жакшырта турганы көрсөтүлгөн эмес.
• Көзөмөлдүү лабораториялык натыйжа башка бактарда, түшүм мезгилдеринде, камераларда же коммерциялык таңгактоо линияларында ошол бойдон сакталары көрсөтүлгөн эмес.
• Бул изилдөө hyperspectral сүрөткө тартууга каршы түз артыкчылык эксперименти эмес.

Негизги чектөөлөр

Mock контролдун жоктугу: Өзүнчө инокуляцияланбаган дени сак топ жок. Ошондуктан Level 1ди “көрүнгөн жабыркоосу жок инокуляцияланган мөмө” деп гана чечмелөө керек.

Көзөмөлдүү сүрөткө тартуу: RGB/LAB босоголору стандартташтырылган жарыктандырууда иштелип чыккан. Тышкы чөйрөдө, башка камерада, башка түшүм мезгилинде же коммерциялык ишкана шартында босоголорду кайра ырастоо керек.

Жабыркоо ground-truthу: Сүрөттөн алынган инфекция катышы эксперттин кол менен жабыркоо аннотацияларына каршы көз карандысыз ырасталган эмес.

Маалымат топтомунун көлөмү жана тең салмаксыздыгы: 959 сүрөттүн 447си Level 2, болгону 95и Level 4. Макро метрикалар бул тең салмаксыздыктын баалоого таасирин азайтууга жардам берсе да, чоңураак маалымат топтомдору талап кылынат.

Чектелген augmentation: Horizontal flip гана колдонулушу биологиялык түс жана жабыркоо өзгөчөлүктөрүн сактоо менен сүрөткө тартуу шарттарынын ар түрдүүлүгүн чектеген болушу мүмкүн.

Үч split: Grad-CAM жана модель салыштыруу метрикалары үч гана көз карандысыз мөмө-деңгээлдүү split боюнча жыйынтыкталган. Ошондуктан авторлор айрыкча saliency жана deletion метрикаларын багыт берүүчү кошумча көрсөткүчтөр катары чечмелешет.

Жетишпеген кайра өндүрүү деталдары: Batch size, loss функциясынын так аталышы жана колдонулган inference жабдык модели билдирилген эмес.

Табигый инфекцияны ырастоо: Изилдөө жасалма инокуляция менен көзөмөлдөнгөн шарттарда жүргүзүлгөн. Табигый инфекцияланган коммерциялык мөмөлөрдө тышкы ырастоо жүргүзүлгөн эмес.

Келечектеги изилдөө багыттары

Авторлор ыкманы кол менен жабыркоо аннотацияларына, ар башка түшүм мезгилдерине, ар башка бак шарттарына, ар башка сүрөткө тартуу чөйрөлөрүнө жана табигый инфекцияланган мөмөлөргө каршы ырастоону сунушташат.

Айрыкча mock-инокулацияланган дени сак мөмөлөр, табигый дени сак мөмөлөр жана табигый инфекцияланган мөмөлөр бир эле маалымат топтомунда болушу Level 1, Level 2 жана чыныгы пре-симптомдук инфекциянын айырмасын баалоо үчүн зарыл.

Келечекте симптомдорду бузбай турган augmentation ыкмаларын, чоңураак маалымат топтомдорун жана коммерциялык сактоо/бөлүштүрүү шарттарын колдонуу моделдин жалпылануусун баалоо үчүн маанилүү.

Булак жана Ыкма Жөнүндө Эскертүү

Түпкү аталыш: Physiological and image-based characterization of Botrytis cinerea infection progression in postharvest ‘Haegeum’ kiwifruit using interpretable deep learning

Түркчө жарыя аталышы: Түшүмдөн Кийинки ‘Haegeum’ Кивисинде Botrytis cinerea Инфекциясынын Өнүгүшүн Түшүндүрүлө Турган Терең Үйрөнүү Аркылу Физиологиялык жана Сүрөткө Негизделген Мүнөздөө

Авторлор: Joonggon Kim, Sang-Yeon Kim, Kyeonglim Min, Chanyong Jeong, Ghiseok Kim, Eun Jin Lee.

Тең салым: Joonggon Kim жана Sang-Yeon Kim тең салым кошкон авторлор катары көрсөтүлгөн.

Жооптуу автор: Eun Jin Lee.

Аффилиация 1: Department of Agriculture, Forestry and Bioresources, College of Agriculture and Life Sciences, Seoul National University, Seoul, Republic of Korea.

Аффилиация 2: Department of Biosystems Engineering, Seoul National University, Seoul, Republic of Korea.

Аффилиация 3: Integrated Major in Global Smart Farm, Seoul National University, Seoul, Republic of Korea.

Аффилиация 4: Research Institute of Agriculture and Life Sciences, Seoul National University, Seoul, Republic of Korea.

Аффилиация 5: Department of Electrical and Computer Engineering, Seoul National University, Seoul, Republic of Korea.

Журнал: Frontiers in Plant Science.

Бөлүм: Technical Advances in Plant Science.

Том / макала no: Volume 17, Article 1894572.

DOI: 10.3389/fpls.2026.1894572.

Макаланын түрү: Original Research.

Жөнөтүлгөн күнү: 29 Май 2026.

Ревизия күнү: 2 Июль 2026.

Кабыл алынган күнү: 6 Июль 2026.

Жарыяланган күнү: 27 Июль 2026.

Рецензиялоо: Рецензияланган басылма. Расмий Frontiers жазуусунда редактор Orly Enrique Apolo-Apolo; рецензенттер Mónica Pineda, Mahmoud Okasha жана Jairo Camilo Quijano Pérez деп көрсөтүлгөн.

Лицензия: Creative Commons Attribution License (CC BY). Тийиштүү шилтеме берилгенде колдонууга, таратууга жана кайра өндүрүүгө уруксат берилет.

Изилдөөнүн түрү: Көзөмөлдөнгөн түшүмдөн кийинки мөмө инокуляция эксперименти, физиологиялык мүнөздөө жана терең үйрөнүүгө негизделген RGB сүрөт классификациясын бириктирген эксперименттик изилдөө.

Өсүмдүк материалы: Алтын түстүү эттүү ‘Haegeum’ киви, Actinidia chinensis var. chinensis.

Патоген: Botrytis cinerea, BHKA 1-1-1 штаммы.

Эксперименттик үлгү: 240 мөмө; сегиз убакыт чекити; ар бир убакыт чекитине 30 мөмө.

Инокулум: 3 × 10⁸ спора L⁻¹; ар бир мөмөгө 10 µL, болжол менен 3 × 10³ спора.

Инкубация: 20 °C, %80–85 салыштырма нымдуулук, караңгы, 14 күн.

Сүрөткө тартуу: Ар бир мөмөгө алты RGB көрүнүш; жалпысынан 1.440 чийки сүрөт, сапат көзөмөлүнөн кийин 959 сүрөт.

Модель класстары: Төрт көрүнгөн инфекция деңгээли.

Контролдук чектөө: Өзүнчө mock-инокулацияланган дени сак мөмө тобу жок. Level 1 спора берилген, бирок көрүнгөн жабыркоо көрсөтпөгөн мөмөлөрдөн турат.

Алгач текшерилген архитектуралар: ResNet-18, ResNet-50, EfficientNet-B0, ShuffleNet-V2, MobileNet-V2, MNASNet1_0, GoogLeNet, ViT-Base жана ViT-Large.

Жупташкан кеңири салыштырууга алынган моделдер: ResNet-18, ResNet-50, EfficientNet-B0 жана ShuffleNet-V2.

Transfer learning: ImageNetте алдын ала үйрөтүлгөн салмактар.

Optimizer: SGD; баштапкы learning rate 0,05; momentum 0,9; weight decay 1 × 10⁻⁴.

Окутуу: 30 epoch; алгачкы 5 epoch сызыктуу learning-rate warm-up.

Маалымат бөлүштүрүү: Мөмө деңгээлинде %70 train, %15 validation жана %15 test; үч көз карандысыз туш келди split.

Augmentation: Random horizontal flipping. Class-weighted loss же resampling колдонулган эмес.

Булакта так билдирилбеген модель деталдары: Batch size, loss функциясынын так аталышы, окутуу/inference жабдык модели жана random seed маанилери.

Статистика: One-way ANOVA + Tukey HSD; p<0,05. IBM SPSS Statistics 21.

Физиологиялык маалыматты көрсөтүү: Орточо ± SE.

Модель/CAM натыйжалуулугун көрсөтүү: Үч көз карандысыз split боюнча орточо ± SD.

Физиологиялык үлгүлөө: Катуулук үчүн ар бир деңгээлге 15 биологиялык кайталоо; дем алуу жана этилен үчүн беш идиштик биологиялык кайталоо, ар бир идиште эки мөмө.

Негизги модель жыйынтыгы: Pipeline IIде EfficientNet-B0, ResNet-50 жана ShuffleNet-V2 %90,3 accuracy; ResNet-18 %87,6 accuracy.

Негизги түшүндүрмөлүүлүк жыйынтыгы: ROI-aware алдын ала иштетүү тандалган төрт CNNдин баарында outside-ROI saliency катышын азайтып, модель активдүүлүгүн мөмө аймагында көбүрөөк чектеген. Drop@20% Δ жакшыртуусу болсо моделге көз каранды.

Формулалар: Булак 12 теңдеме берет: инфекция катышы, accuracy, precision, recall, F1, макро орточолор, macro AUC, outside-ROI ratio, ROI entropy, CAM area ≥0,5, Drop@20% Δ жана FPS.

Булак ичиндеги масштаб көрсөтүүсү боюнча эскертүү: ROC графиктери AUCни 0–1 аралыгында көрсөтсө, Table 3 AUCmacro маанилерин 94,89–98,13 сыяктуу берет. Теңдеме 10 CAM аймагын катыш катары берет, бирок Table 3 башында пайыз белгиси бар. Verianla бул көрсөтүүлөрдү булакта жок түрдө үнсүз кайра масштабдаган эмес.

Маалымат жеткиликтүүлүгү: Изилдөөнүн оригиналдуу салымдары макала жана Supplementary Material ичинде экени, кошумча суроолор corresponding authorга жөнөтүлүшү мүмкүн экени айтылган.

Каржылоо: Korea Institute of Planning and Evaluation for Technology in Food, Agriculture, and Forestry (IPET), Agriculture and Food Convergence Technologies Program for Research Manpower Development; Ministry of Agriculture, Food and Rural Affairs тарабынан каржыланган. Грант no: RS-2024-00398300.

Кызыкчылыктардын кагылышы: Авторлор изилдөө потенциалдуу кызыкчылыктардын кагылышын жаратышы мүмкүн болгон коммерциялык же финансылык мамилелерсиз жүргүзүлгөнүн билдиришкен.

Генеративдик AI билдирүүсү: Авторлор макаланы түзүүдө генеративдик жасалма интеллект колдонбогонун билдиришкен. Frontiers ошондой эле фигуралардын альтернативдүү тексттери AI жардамы менен түзүлүшү мүмкүн экенин жана мүмкүн болгондо авторлор тарабынан каралганын белгилейт.

Авторлордун салымы: Joonggon Kim: Validation, Formal analysis, Methodology, Writing – original draft. Sang-Yeon Kim: Writing – original draft, Formal analysis, Methodology, Validation. Kyeonglim Min: Writing – review & editing, Methodology. Chanyong Jeong: Writing – review & editing, Methodology. Ghiseok Kim: Writing – review & editing, Methodology. Eun Jin Lee: Formal analysis, Writing – review & editing, Supervision, Methodology, Resources, Conceptualization, Funding acquisition, Validation.

Негизги методологиялык чектөөлөр: Өзүнчө дени сак mock контролдун жоктугу; класстардын көрүнгөн симптомдорго негизделиши; эрте/симптомсуз инфекциянын көз карандысыз ырасталбашы; RGB/LAB босоголорунун стандарттуу жарыктандырууга негизделиши; инфекция катышы кол менен жабыркоо аннотациясына каршы ырасталбашы; чектелүү жана тең салмаксыз сүрөт маалымат топтому; үч гана көз карандысыз split; чектелген augmentation; табигый инфекция жана тышкы талаа ырастоосунун жоктугу.

Булак сүрөттөрү: Булак Figure 1 төрт чыныгы көрүнгөн инфекция баскычын; Figure 2 Pipeline I жана Pipeline II ыкма агымын; Figure 3 көп класстуу ROC ийри сызыктарын; Figure 4 ошол эле мөмөлөрдө Pipeline I жана II Grad-CAM айырмасын; Figure 5 төрт CNN backboneдогу Grad-CAM бөлүштүрүүлөрүн көрсөтөт.

Визуалдык кайра куруу чеги: Булак мөмө сүрөттөрү жана Grad-CAM raster карталары жасалма сүрөттөр менен тууралган эмес. Көрүнгөн инфекция деңгээлдери жана ыкма pipelineы масштабсыз көз карандысыз SVG схемалары менен берилген. ROC чийки координаттары булакта таблица катары берилбегендиктен жасалма ROC чекиттери түзүлгөн эмес.