Чаҳорчӯбаи омӯзиши амиқи тафсирпазири ROI-aware, ки дар тасвирҳои RGB аввал минтақаи таваҷҷуҳеро (Region of Interest, ROI), ки киви дар он ҷойгир аст, ҷудо мекунад, заминаро фурӯ менишонад ва сипас бо шабакаҳои нейронии конволютсионӣ шиддати намоёни Botrytis cinerea сироятро ба чор сатҳ тасниф мекунад, як усули тасвирбунёд аст. Ин таҳқиқот барои таснифи пешрафти намоёни сирояти қолаби хокистарӣ дар кивиҳои гӯшташон тиллоии ‘Haegeum’ тасвирҳои стандартии RGB, коркарди пешакии бар ROI асосёфта, таносуби осебро, ки аз хусусиятҳои ранги RGB/LAB ҳисоб шудааст, нӯҳ меъмории омӯзиши амиқ ва таҳлили тафсирпазирии Grad-CAM-ро якҷо кардааст. Дар баробари таснифи тасвир, сахтии мева, суръати нафаскашӣ ва истеҳсоли этилен чен карда шуда, тағйироти физиологии ҳамроҳи сатҳҳои намоёни сироят низ алоҳида тавсиф шудаанд.

Дар маҷмӯъ 240 кивии ‘Haegeum’ бо B. cinerea инокулятсия шуда, дар давраи 14-рӯзаи инкубатсия дар ҳашт нуқтаи вақт санҷида шуданд ва ҳар мева аз шаш кунҷ тасвир гирифта шуд. Ин раванд 1.440 тасвири хоми RGB ҳосил кард; баъд аз назорати сифати тасвир 959 тасвир дар таҳлили омӯзиши амиқ нигоҳ дошта шуд. Сатҳҳои сироят танҳо аз рӯи намуди берунӣ муайян шуданд: Level 1 — набудани осеби намоён, Level 2 — тағйироти сабуки хокистарранг, Level 3 — рушди маҳаллии мицелияи сафед ва Level 4 — рушди васеи мицелия бо вайроншавии бофта.

Тавсифи физиологӣ нишон дод, ки бо пешрафти намоёни беморӣ сахтии мева аз 4,82 N то 2,79 N коҳиш ёфтааст. Суръати нафаскашӣ дар Level 1 0,05 µmol kg⁻¹ s⁻¹ буд, дар ҳоле ки дар Level 4 ба 0,24 µmol kg⁻¹ s⁻¹ расид. Этилен дар Level 1 ва 2 муайян нашуд, дар Level 3 дар сатҳи 0,001 µmol kg⁻¹ s⁻¹ пайдо шуда, дар Level 4 ба 0,015 µmol kg⁻¹ s⁻¹ афзуд. Таносуби сирояте, ки аз тасвир ҳисоб шудааст, аз ҷиҳати ададӣ аз %0,13 то %4,50 баланд шуд.

Дар доираи ROI-aware Pipeline II моделҳои EfficientNet-B0, ResNet-50 ва ShuffleNet-V2 дақиқии %90,3 ва ResNet-18 дақиқии %87,6 ба даст оварданд. Таъсири устувортарини Pipeline II ин дур кардани фаъолшавии Grad-CAM аз минтақаҳои заминаи берун аз мева дар ҳамаи меъмориҳои интихобшудаи CNN буд. Бо вуҷуди ин, метрикаи ҳазфбунёди Drop@20% Δ дар ҳамаи моделҳо ба як самт беҳтар нашуд. Аз ин рӯ, таҳқиқот дастгирӣ мекунад, ки коркарди пешакии бар ROI асосёфта таваҷҷуҳи моделро ба минтақаи мева беҳтар маҳдуд мекунад, аммо тасвирҳои Grad-CAM-ро ҳамчун шарҳе, ки ҷойгиршавии сабабии сироятро исбот мекунад, арзёбӣ намекунад.

Муҳимтарин маҳдудияти тафсир ин аст, ки нишон дода нашудааст, ки модел сирояти воқеан пинҳонӣ ё беаломатии B. cinerea-ро ташхис мекунад. Меваҳои Level 1 низ бо B. cinerea инокулятсия шудаанд; онҳо танҳо ҳангоми тасвиргирӣ осеби намоён нишон намедиҳанд. Илова бар ин, гурӯҳи мустақили назоратии солими mock-инокулацияшуда вуҷуд надорад. Аз ин рӯ, таҳқиқот асосан барои таснифи пешрафти намоёни сироят дар шароити назоратшавандаи тасвиргирӣ далел пешниҳод мекунад.

Шарҳи Муфассал

Масъалаи таҳқиқот

‘Haegeum’ навъи кивии Actinidia chinensis var. chinensis буда, гӯшти зард дорад ва дар Кореяи Ҷанубӣ аҳамияти тиҷоратӣ дорад. Киви меваи климактерикӣ аст; дар ҷараёни пухтан истеҳсоли этилен ва фаъолияти нафаскашӣ метавонад зиёд шавад. Дар давраи пас аз ҳосилғундорӣ нармшавӣ ва пухтани мева метавонад ҳамзамон бо вайроншавиҳои аз занбӯруғ сарчашмагирифта пеш равад.

Botrytis cinerea занбӯруғи фитопатогенӣ аст, ки бемории қолаби хокистариро ба вуҷуд меорад. Он ҳангоми ҳосилғундорӣ метавонад дар ҳолати латентӣ бошад ва ҳангоми нигоҳдорӣ ё тақсимот рушд карда, дар мева тағйири ранг, ташаккули мицелия, нармшавӣ ва вайроншавии бофта ба вуҷуд орад.

Назорати анъанавии визуалӣ амалӣ аст, вале аз тафсири шахси арзёбанда вобаста мебошад. Усулҳои лабораторӣ метавонанд ченкунии муфассалтар диҳанд, аммо барои таснифи босуръати тиҷоратӣ маҳдуд бошанд. Аз ин рӯ, муҳаққиқон ҳадаф гузоштанд, ки системае созанд, ки пешрафти сирояти аз тасвирҳои стандартии RGB намоёнро худкор дараҷабандӣ кунад ва ҳамзамон имкон диҳад, ки кадом минтақаҳои тасвир диққати моделро ҷалб мекунанд, санҷида шавад.

Сатҳҳои Сироят Чӣ Тавр Муайян Шуданд?

Чор сатҳи сироят дар таҳқиқот на бо зеҳни сунъӣ, сахтии мева, суръати нафаскашӣ, истеҳсоли этилен ё таносуби сирояти аз тасвир ҳисобшуда, балки танҳо бо аломатҳои аз берун намоён таъин шуданд; ченкуниҳои физиологӣ ва таносуби сироят пас аз сохтани ин синфҳои визуалӣ барои тавсифи хусусиятҳои биологӣ ва вобаста ба осеби сатҳҳо истифода шуданд.

Чаро Level 1 набояд “меваи солим” номида шавад?

Зеро дар таҷриба гурӯҳи назоратии mock, ки спора ба он алоҳида татбиқ нашуда бошад, вуҷуд надорад. Меваҳои гурӯҳи Level 1 низ бо B. cinerea суспензияи спора инокулятсия шудаанд, аммо ҳангоми тасвиргирӣ осеби аз берун намоён инкишоф надодаанд. Аз ин рӯ, Level 1 ва меваи ҳақиқатан солиме, ки ҳеҷ гоҳ инокулятсия нашудааст, як категорияи илмӣ нестанд.

Оё Модел Сирояти Беаломати Botrytis cinerea-ро Муайян Мекунад?

Ин таҳқиқот нишон намедиҳад, ки модел сирояти воқеии беаломат ё пеш аз аломатии Botrytis cinerea-ро боэътимод муайян мекунад; тамғаҳои синф ба аломатҳои намоён асос ёфтаанд, назорати мустақили солим вуҷуд надорад ва муаллифон махсус таъкид мекунанд, ки сирояти барвақт/беаломат дар оянда бояд бо меваҳои табиӣ ва mock-инокулацияшуда алоҳида тасдиқ карда шавад.

Меваҳои ‘Haegeum’ чӣ гуна омода шуданд?

Кивиҳои ‘Haegeum’ аз боғи тиҷоратии воқеъ дар минтақаи Bosung-и вилояти Jeollanam-do-и Кореяи Ҷанубӣ 160 рӯз пас аз гулкунии пурра ҷамъоварӣ шуданд. Меваҳо бо андозаи монанд ва бе нуқсони намоён интихоб шуда, саҳар бо даст ҷамъоварӣ ва мустақиман ба лаборатория интиқол дода шуданд.

Барои кам кардани тағйирпазирии ибтидоии физиологӣ ва тақлид кардани нигоҳдории дарозмуддати тиҷоратӣ дар сармо, меваҳо пеш аз инокулятсия дар 0 °C ва намии нисбии %85–90 барои 2,5 моҳ дар анбори хунук нигоҳ дошта шуданд.

Инокулятсияи Botrytis cinerea

Дар таҳқиқот штамми B. cinerea BHKA 1-1-1, ки аз кивии ‘Haegeum’ ҷудо шудааст, истифода гардид. Занбӯруғ барои гирифтани фарҳанги дорои спораи пухта дар potato dextrose agar дар 25 °C чор ҳафта парвариш карда шуд.

Суспензияи спора дар оби стерилии дистиллшуда омода шуда, бо истифода аз гемоситометр ба 3 × 10⁸ спора L⁻¹ танзим карда шуд. Ба нӯги stylar-и ҳар мева бе эҷоди захм қатраи 10 µL татбиқ шуд. Тибқи манбаъ ин қатра тақрибан 3 × 10³ спора дорад.

Меваҳои инокулятсияшуда дар 20 °C, намии нисбии %80–85, дар торикӣ барои 14 рӯз инкубатсия шуданд.

Нуқтаҳои вақт ва шумораи тасвирҳо

Дар маҷмӯъ 240 мева ба ҳашт вақти намунагирӣ тақсим шуданд: 0, 2, 4, 6, 8, 10, 12 ва 14 рӯз пас аз инокулятсия. Дар ҳар нуқтаи вақт 30 мева арзёбӣ шуд.

Аз ҳар мева намуди боло, поён ва чор намуди паҳлӯӣ бо фосилаи баробар, яъне шаш тасвири RGB-и баландсифат гирифта шуд. Ҳамин тавр дар оғоз 1.440 тасвири хоми RGB ба даст омад. Пас аз санҷиши сифати тасвир 959 тасвир барои омӯзиш ва арзёбии модел нигоҳ дошта шуд.

Аз сабаби ин номутавозинии синфҳо муҳаққиқон дар арзёбӣ метрикаҳои macro-average precision, recall, F1 ва AUC-ро истифода бурданд. Ҳангоми омӯзиш class-weighted loss ё resampling истифода нашуд.

Нақши ченкуниҳои физиологӣ

Ченкуниҳои физиологӣ барои тавлиди тамғаҳои синфи модел истифода нашуданд. Меваҳо аввал аз рӯи аломатҳои беруниашон ба Level 1–4 таъин шуда, сипас тағйироти биологии ҳамроҳи ин сатҳҳои намоён тавассути сахтӣ, нафаскашӣ ва этилен тавсиф шуданд.

Сахтии мева чӣ гуна чен карда шуд?

Сахтӣ бо дастгоҳи CT-3 texture analyzer бо истифода аз зонди ҳамвори 4 mm бо воҳиди Newton (N) чен карда шуд. Дар ду тарафи муқобили минтақаи экватории ҳар мева, дар ҳар кадом чуқурии фишурдани 4 mm ва суръати 1 mm s⁻¹ истифода шуд.

Барои ҳар сатҳи намоёни сироят 15 такрори биологӣ арзёбӣ шуда, натиҷаҳо ҳамчун миёна ± хатои стандартӣ (SE) гузориш шуданд.

Суръати нафаскашӣ ва этилен чӣ гуна чен карда шуданд?

Ду киви дар зарфи пластикии ҳавоногузари 1 L ҷойгир шуда, дар 25 °C ду соат нигоҳ дошта шуданд. Аз headspace 1 mL газ гирифта шуда, ба системаи хроматографияи газии YL 6400 ворид карда шуд.

Барои этилен flame ionization detector ва барои CO₂ thermal conductivity detector истифода шуд. Система бо сутуни Porapak N 80/100 ва гази интиқолдиҳандаи гелий бо суръати ҷараёни 18 mL min⁻¹ кор кард. Инжектор ва танӯр дар 50 °C, thermal conductivity detector дар 200 °C ва flame ionization detector дар 250 °C нигоҳ дошта шуданд.

Барои ҳар сатҳи сироят панҷ такрори биологӣ вуҷуд дорад. Азбаски ҳар такрор як зарфи дорои ду мева аст, дар ченкуниҳои газ барои ҳар сатҳ дар маҷмӯъ 10 мева истифода шудааст.

Дар манбаъ ҳарфҳои гуногуни болоии индексӣ дар санҷиши Tukey HSD фарқи аҳамиятнокро дар сатҳи p<0,05 нишон медиҳанд. Дар сахтӣ ҳамаи чор сатҳ аз ҳам ҷудо шудаанд. Дар суръати нафаскашӣ Level 2 ва Level 4 дар як гурӯҳи оморӣ мебошанд; Level 3 аз онҳо пасттар ва Level 1 дар пасттарин сатҳ аст. Этилен дар Level 1 ва 2 муайян нашуда, Level 3 ва Level 4 аз ҳам ба таври аҳамиятнок фарқ кардаанд.

Дар таносуби сироят Level 1, 2 ва 3 як ҳарфи омориро доранд; яъне, бо вуҷуди афзоиши ададӣ, тибқи муқоисаи Tukey дар ҷадвали манбаъ байни ин се сатҳ фарқи аҳамиятнок нишон дода нашудааст. Level 4 бошад аз се сатҳи аввал ба таври аҳамиятнок фарқ кардааст.

ROI-Aware Pipeline II Чиро Тағйир Медиҳад?

Pipeline II ба ҷараёни асосии таснифи RGB сегментатсияи автоматии ROI-и мева ва ба сифр баробар кардани пикселҳои заминаро илова карда, вуруди CNN ва таҳлили Grad-CAM-ро ба минтақаи мева маҳдуд мекунад; инчунин аз канали RGB blue ва каналҳои LAB L* ва a* таносуби сирояти бар қоида асосёфтаро ҳисоб мекунад, аммо вуруди таснифии CNN ҳамоно тасвири RGB аст ва ин таносуб барои муайян кардани тамғаҳои синф истифода намешавад.

Pipeline I: равиши асосии RGB

Pipeline I дар манбаъ ҳамчун baseline RGB pipeline тавсиф шудааст. Тасвирҳои хоми RGB аввал ба 330 × 330 пиксел аз нав андозабандӣ шуда, баъдан аз марказ ба 224 × 224 пиксел бурида ва бо истифода аз миёна ва инҳирофи стандартии ImageNet нормализатсия шудаанд.

Дар ин равиш замина бо сегментатсияи алоҳида хориҷ нашудааст. Аз ин рӯ, канорҳои табақча, сояҳо, инъикосҳо ва дигар унсурҳои тасвир метавонанд дар майдони диди CNN боқӣ монанд.

Pipeline II: равиши ROI-aware

Дар Pipeline II минтақаи мева бо сегментатсияи автоматӣ муайян шудааст. Аввал foreground separation-и бар остона асосёфта иҷро шуда, баъдан беҳсозии морфологӣ татбиқ ва бузургтарин ҷузъи пайваст ҳамчун ROI-и мева муайян шудааст.

Пикселҳои берун аз ROI ба сифр маска шудаанд. Баъдан ҳамон амалиёти аз нав андозабандӣ, center crop ва нормализатсияи ImageNet татбиқ гардиданд. Ҳамин тавр фарқи системавии байни ду pipeline — фурӯнишонии замина бар асоси ROI ва истихроҷи таносуби сироят дар Pipeline II аст.

Чаро фазоҳои ранги RGB ва LAB якҷо истифода шуданд?

Дар тасвирҳои RGB канали B blue, яъне шиддати канали кабудро ифода мекунад. Дар фазои ранги LAB, L* равшании идрокӣ ва a* ҷузъи ранги самти сурх-сабзро ифода мекунад. Муҳаққиқон барои беҳтар ҷудо кардани тирашавии ранг, гумшавии ранг ва тағйироти сатҳӣ дар осебҳои намоён канали RGB B-ро бо арзишҳои LAB L* ва a* якҷо карданд.

Ин остонаҳо дар тасвирҳои намояндагӣ таҳти равшанкунии стандартӣ ба таври эмпирикӣ муайян шуда, баъдан барои ҳамаи намунаҳо собит нигоҳ дошта шуданд. Аз ин рӯ, ин таҳқиқот исбот намекунад, ки остонаҳо дар камера, равшанкунӣ, мавсими ҳосил ё популятсияи меваи дигар ҳамон натиҷаро медиҳанд.

Қоидаҳои таснифи пиксел

Матни манбаъ ҳудудҳои баробарии B=130 ё B=170-ро алоҳида шарҳ намедиҳад; аз ин рӯ, дар ин ҷо қоидаи ҳудудие, ки дар манбаъ нест, илова нашудааст.

Муодилаи 1: таносуби сироят аз тасвир

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

N_{infected pixels}, шумораи пикселҳо дар дохили ROI аст, ки бо остонаҳои бар қоида асосёфта ҳамчун “сироятшуда” тасниф шудаанд. N_{fruit ROI pixels}, шумораи умумии пикселҳо дар ROI-и мева аст, ки бо сегментатсия муайян шудааст.

Натиҷа дескриптори аз тасвир ҳосилшудаест, ки бори осебро бо фоиз ифода мекунад. Пикселҳои “шубҳанок” бо пикселҳои сироятшудаи ба сурат дохилшуда як категория нестанд.

Муҳимтарин маҳдудият ин аст, ки ин таносуб метрикаи мустақили ground-truth сегментатсия нест, ки нисбат ба ниқоби осеби бо дасти коршинос кашидашуда тасдиқ шуда бошад. Муҳаққиқон ҳам таъкид мекунанд, ки дар оянда бо аннотатсияҳои дастии осеб бояд тасдиқ анҷом дода шавад.

Меъмориҳои омӯзиши амиқ

Дар санҷиши ибтидоӣ нӯҳ меъморӣ арзёбӣ шуданд:

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

Пас аз санҷиши ибтидоӣ ResNet-18, ResNet-50, EfficientNet-B0 ва ShuffleNet-V2, ки натиҷаи баландтар ва байни синфҳо мутавозинтар доштанд, барои муқоисаи ҷуфтшудаи баъдии Pipeline I–Pipeline II интихоб шуданд.

Transfer learning ва танзимоти омӯзиш

Ҳама моделҳо бо вазнҳои пешакӣ омӯзонидашуда дар ImageNet оғоз шуда, дар маҷмӯаи додаҳои киви fine-tuning шуданд. Сарлавҳаи аслии тасниф хориҷ ва ба ҷойи он қабати баромади fully connected, ки чор сатҳи сироятро медиҳад, илова шуд.

Дар ҳар split checkpoint-и дорои баландтарин validation accuracy барои арзёбии ниҳоии test истифода шуд.

Назорати ихроҷи додаҳо: Шаш тасвири гуногуни як мева мисли намунаҳои мустақил ба маҷмӯаҳои гуногуни train/validation/test тақсим нашудаанд. Ҳама тасвирҳои як мева дар як subset нигоҳ дошта шуданд. Ин тарҳ барои пешгирии афзоиши сунъии натиҷа, ки аз дидани кунҷҳои гуногуни ҳамон як мева ҳам дар омӯзиш ва ҳам дар test ба вуҷуд меояд, муҳим аст.

Ҷузъиёти омӯзиш, ки дар манбаъ гузориш нашудаанд: Мақола batch size, номи пурраи loss function, арзишҳои random seed ва модели процессор/GPU-и таҷҳизоти омӯзиш/inference-ро равшан намегӯяд. Verianla инҳоро пурра накардааст.

Чаро augmentation маҳдуд нигоҳ дошта шуд?

Муҳаққиқон қайд мекунанд, ки тасниф ба тағйироти сабуки хокистарранг, мицелияи маҳаллӣ, текстураи сатҳ ва тағйироти хурди маълумоти ранги RGB/LAB вобаста аст. Бо андешаи он ки augmentation-и қавии геометрӣ ё рангбунёд метавонад ин аломатҳои биологиро ба таври сунъӣ тағйир диҳад, зиёдкунии омӯзиш танҳо бо random horizontal flip маҳдуд карда шуд.

Дар иваз, маҳдуд мондани гуногунии додаҳо, махсусан дар шароити нави тасвиргирӣ, метавонад устувории моделро коҳиш диҳад ва ин низ дар таҳқиқот ҳамчун маҳдудият баррасӣ шудааст.

Grad-CAM Дар Ин Таҳқиқот Чиро Нишон Медиҳад ва Чиро Исбот Намекунад?

Grad-CAM барои тасвир кардани он истифода шуд, ки кадом минтақаҳои тасвир ба қарори CNN бештар саҳм мегузоранд, тавассути тақсимоти рангаи saliency; ROI-aware Pipeline II фаъолшавиро бештар дар дохили минтақаи мева мутамарказ кард, аммо манбаъ равшан мегӯяд, ки ин ҳампӯшии фазоӣ ҷойгиршавии ҳақиқии сабабии сироят ё дурустии шарҳи моделро қатъӣ исбот намекунад.

Grad-CAM чист?

Gradient-weighted Class Activation Mapping (Grad-CAM), як техникаи post hoc-и тафсирпазирист, ки мекӯшад нишон диҳад, кадом минтақаҳои фазоии харитаҳои хусусиятҳои сатҳи баланди CNN дар пешгӯии як синфи муайян таъсирбахштаранд. Таҳқиқот муодилаи асосии ҳосилавии Grad-CAM-ро дубора намеорад; муносибати фазоии харитаҳои фаъолшавии ҳосилшударо бо ROI тавассути метрикаҳои алоҳида муайяншуда арзёбӣ мекунад.

Муодилаи 2: Accuracy

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

TP_c, шумораи пешгӯиҳои дурусти мусбат дар синфи c; C шумораи синфҳо аст ва дар ин таҳқиқот C=4. N, шумораи умумии тасвирҳои арзёбишуда.

Accuracy таносуби ҳамаи таснифҳои дуруст ба ҳамаи намунаҳо мебошад. Аммо ҳангоми номутавозинии синфҳо, accuracy танҳо метавонад натиҷаи синфҳои хурдро кофӣ нишон надиҳад.

Муодилаи 3: Precision

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

FP_c, намунаҳои мусбати нодурустанд, ки воқеан ба синфи дигар тааллуқ доранд, вале ҳамчун синфи c пешгӯӣ шудаанд. Precision нишон медиҳад, вақте модел мегӯяд “ин тасвир синфи c аст”, чандтои ин қарорҳо дурустанд.

Муодилаи 4: Recall

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

FN_c, намунаҳои манфии нодурустанд, ки воқеан ба синфи c тааллуқ доранд, вале модел онҳоро ба синфи дигар фиристодааст. Recall ё sensitivity нишон медиҳад, чӣ қадар аз намунаҳои воқеии синфи c гирифта шудаанд.

Муодилаи 5: F1-score

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

F1-score миёнаи гармоникии precision ва recall аст. Метрика баланд будани танҳо яке аз ду андозаро кофӣ намешуморад; рафтори номутавозини precision–recall-ро ҷарима мекунад.

Муодилаи 6: Миёнаи макро

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

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

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

Дар миёнаи макро ҳар яке аз чор синф вазни баробар дорад. Гарчанде Level 2 447 тасвир ва Level 4 95 тасвир дорад, дар метрикаи макро Level 2 танҳо аз сабаби шумораи бештари намунаҳо вазни бештар намегирад.

Муодилаи 7: Macro AUC

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

Дар масъалаи бисёрсинфӣ барои ҳар синф каҷи one-vs-rest ROC сохта шуда, арзишҳои дахлдори AUC бо вазни баробар миёна карда мешаванд. AUC қобилияти ҷудошавии синфҳоро бе вобастагӣ ба як остонаи ягонаи қарор арзёбӣ мекунад.

Муодилаи 8: Outside-ROI ratio

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

A(p), фаъолшавии CAM дар пиксели p аст. Сурат ҷамъбасти фаъолшавиҳои CAM-и берун аз ROI-и мева; махраҷ бошад фаъолшавии умумии CAM дар тамоми тасвир аст.

Вақте ин таносуб кам мешавад, қисми камтари saliency-и модел ба замина мегузарад. Дар Pipeline II ин арзиш дар ҳамаи чор CNN-и интихобшуда коҳиш ёфтааст.

Муодилаи 9: entropy дар дохили ROI

Аввал фаъолшавии CAM дар дохили ROI нормализатсия мешавад:

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

Сипас:

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

Entropy чен мекунад, ки фаъолшавӣ дар дохили ROI то чӣ андоза паҳн ё мутамарказ аст. Entropy-и пасттар бо сохторе мувофиқ аст, ки saliency камтар пароканда ва аз ҷиҳати фазоӣ бештар мутамарказ мебошад. Манбаъ асоси логарифмро алоҳида нишон намедиҳад.

Муодилаи 10: CAM area ≥ 0.5

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

Сурат шумораи пикселҳои ROI аст, ки шиддати нормализатсияшудаи CAM-и онҳо ҳадди ақал 0,5 мебошад; махраҷ шумораи умумии пикселҳои ROI аст. Ҳамин тавр андозаи нисбии минтақаи фаъолшавии баланд дар ROI ҳисоб мешавад.

Ёддошти намоиши манбаъ: Дар ҳоле ки муодила ин арзишро ҳамчун таносуби 0–1 муайян мекунад, дар сарлавҳаи сутуни Table 3 аломати “%” истифода шуда, арзишҳо дар шакли даҳӣ ба монанди 0,17–0,77 дода шудаанд. Азбаски манбаъ ин тарзи намоиши миқёсро алоҳида шарҳ намедиҳад, Verianla арзишҳоро хомӯшона ба фоизҳое чун 17 ё 77 табдил намедиҳад.

Муодилаи 11: Drop@20% Δ

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

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

Дар ҳар тасвири тестӣ, %20 минтақае, ки Grad-CAM дар дохили ROI бештар таъкид мекунад, маска мешавад ва чен карда мешавад, ки эҳтимоли пешгӯии синфи дуруст чӣ қадар коҳиш меёбад. Ҳамон амал барои минтақаи ROI-и тасодуфан интихобшудаи ҳамандоза такрор мешавад.

Drop@20% Δ-и мусбат нишон медиҳад, ки маска кардани минтақаи таъкидкардаи CAM эътимоди моделро нисбат ба маска кардани минтақаи тасодуфӣ бештар коҳиш медиҳад. Бо вуҷуди ин, манбаъ ин метрикаро на ҳамчун далели қатъии шарҳи сабабӣ, балки ҳамчун нишондиҳандаи иловагии ҳассосияти пешгӯии модел тафсир мекунад.

Муодилаи 12: FPS

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

N_images, шумораи тасвирҳое, ки ҳангоми test тасниф шудаанд; T_inference бошад вақти forward-pass-и ин тасвирҳо аст ва бо сония чен мешавад.

Бо баланд шудани FPS модел метавонад дар ҳамон шароити таҷҳизот дар як сония тасвирҳои бештарро коркард кунад. Аммо бо вуҷуди он ки мақола мегӯяд ченкунии FPS дар шароити якхелаи таҷҳизот анҷом шудааст, модели процессор ё GPU-и истифодашударо гузориш намекунад. Аз ин рӯ, наметавон фарз кард, ки дар системаи дигар ҳамон арзиши FPS ба даст меояд.

Усул ва Натиҷаҳои Таҳқиқот

Таҳлили оморӣ

Ченкуниҳои физиологӣ ва таносуби сирояти аз тасвир гирифташуда дар доираи тарҳи комилан тасодуфӣ таҳлил шудаанд. Барои сахтӣ, нафаскашӣ, этилен ва таносуби сироят таҳлили яксамтаи дисперсия (one-way ANOVA) ва баъдан санҷиши муқоисаҳои сершумори Tukey honestly significant difference (HSD) истифода шуд.

Ҳадди аҳамиятнокӣ p<0,05 мебошад. Таҳлили оморӣ бо IBM SPSS Statistics 21 анҷом дода шудааст.

Натиҷаҳои физиологӣ ва таносуби сироят дар шакли миёна ± хатои стандартӣ (SE) дода шудаанд. Метрикаҳои натиҷаи модел ва CAM, ки аз се split-и мустақили сатҳи мева ҳисоб шудаанд, дар шакли миёна ± инҳирофи стандартӣ (SD) мебошанд.

Манбаъ байни метрикаҳои модели Pipeline I ва Pipeline II санҷиши алоҳидаи inferential p-value гузориш намекунад. Аз ин рӯ, фарқҳои натиҷаи модел ҳамчун “беҳбудии аз ҷиҳати оморӣ аҳамиятнок” аз нав тамғагузорӣ нашудаанд.

Натиҷаҳои таснифи нӯҳ меъморӣ

Дар Pipeline II баландтарин accuracy-ро EfficientNet-B0, ResNet-50 ва ShuffleNet-V2 якҷо гирифтанд: ҳар се модел ба %90,3 дақиқӣ расиданд. Бо вуҷуди ин, метрикаҳои дигарашон яксон нестанд. Барои EfficientNet-B0 precision %93,7, recall %91,8 ва F1 %92,1 аст, дар ҳоле ки барои ShuffleNet-V2 ин арзишҳо мутаносибан %92,1, %92,3 ва %92,1 мебошанд.

Гарчанде ResNet-50 шабакаи амиқтар аст, аз ҷиҳати accuracy аз EfficientNet-B0 ва ShuffleNet-V2 нагузашт. Ин натиҷа нишон медиҳад, ки дар ин маҷмӯаи додаҳо амиқии бештари шабака худкор дақиқии баландтар намедиҳад; аммо онро ба ҳамаи вазифаҳои таснифи тасвир умумӣ кардан мумкин нест.

MNASNet1_0 дар Pipeline II беҳтар нашуд ва accuracy аз %55,9 то %50,3 коҳиш ёфт. Ин равшан нишон медиҳад, ки коркарди ROI-aware усули универсалие нест, ки новобаста аз меъморӣ ҳар моделро беҳтар кунад.

Натиҷаи CNN ва Vision Transformer чӣ гуна тафсир шуд?

Дар манбаъ гузориш шудааст, ки моделҳои бар CNN асосёфта дар ин маҷмӯаи додаҳо нисбат ба ViT-Base ва ViT-Large натиҷаи қавитар нишон доданд. Муаллифон баррасӣ мекунанд, ки ин метавонад бо он вобаста бошад, ки осебҳои намоён сохторҳои маҳаллии ранг ва текстура доранд, CNN-ҳо inductive bias-и қавии маҳаллӣ доранд ва маҷмӯаи додаҳо нисбатан хурд аст.

Ин шарҳ тафсири муаллифони таҳқиқот аст. Таҳқиқот хулосаи “CNN дар ҳар вазифаи тасвири кишоварзӣ аз Vision Transformer беҳтар аст”-ро дастгирӣ намекунад.

Муқоисаи Macro AUC

Дар чор CNN-и интихобшуда бо Pipeline II macro AUC афзудааст. Арзишҳои дар Table 3 овардаи манбаъ чунинанд:

Дар графики ROC-и манбаъ ҳамин бузургиҳо тақрибан 0,95 ва 0,98 дар миқёси 0–1 AUC нишон дода шудаанд, дар ҳоле ки арзишҳои Table 3 ба шакли 94,89 ва 98,13 дода шудаанд. Ин ду намоиш бо табдили миқёси фоиз/даҳӣ мувофиқанд; аммо азбаски дар сарлавҳаи сутуни AUC-и Table 3 аломати ошкори “%” нест, Verianla арзишҳои ҷадвалро дар шакли манбаъ нигоҳ медорад.

Натиҷаҳои миқдории Grad-CAM

Натиҷаи устувортарин дар outside-ROI ratio аст. Дар Pipeline II ин арзиш дар ҳамаи чор модел коҳиш ёфтааст. Дар ResNet-18 аз 0,77 ба 0,59; дар ResNet-50 аз 0,78 ба 0,48; дар EfficientNet-B0 аз 0,71 ба 0,32; ва дар ShuffleNet-V2 аз 0,51 ба 0,26 коҳиш ёфтааст. Ин дастгирӣ мекунад, ки фаъолшавии модел аз замина ба минтақаи мева бештар маҳдуд шудааст.

ROI entropy низ дар ҳамаи чор меъморӣ коҳиш ёфта, минтақаи CAM-и шиддаташ баланд зичтар шудааст. Аммо Drop@20% Δ ба як самт тағйир наёфтааст. ShuffleNet-V2 аз манфӣ ба мусбат гузашт, ResNet-50 мусбат монд, вале хурдтар шуд; ResNet-18 манфитар гардид ва EfficientNet-B0 аз мусбат ба манфӣ гузашт.

Аз ин рӯ, таҳқиқот қавӣ дастгирӣ мекунад, ки Pipeline II таваҷҷуҳи моделро ҷойгиршавии фазоиро устувортар мекунад; аммо дастгирӣ намекунад, ки ҳар ҷанбаи тафсирпазирӣ ва ҳар ченаки аҳамияти сабабӣ дар ҳамаи меъмориҳо баробар беҳтар шудааст.

Суръати inference

ShuffleNet-V2 дар ҳар ду pipeline баландтарин FPS-ро дод: барои Pipeline I 21,48 ± 0,92 FPS ва барои Pipeline II 21,43 ± 0,30 FPS. ResNet-50 бошад мутаносибан бо 11,44 ± 0,27 ва 12,31 ± 0,06 FPS сусттарин модел аст.

Гарчанде Pipeline II сегментатсияи ROI-ро илова мекунад, дар CNN-ҳои интихобшуда барои inference throughput ҷаримаи калон ба вуҷуд наовардааст. Аммо азбаски мақола модели таҷҳизоти истифодашударо гузориш намекунад, наметавон фарз кард, ки ин арзишҳои FPS дар таҷҳизоти дигар бевосита такрор мешаванд.

Чаро сатҳҳои барвақт душвортаранд?

Тибқи таҳлили синфии манбаъ, сатҳҳои пешрафтаи сироят ба монанди Level 3 ва Level 4 аз ҷониби CNN-ҳои натиҷаашон хуб осонтар ҷудо шудаанд. Сабаб ин аст, ки дар ин сатҳҳо нишонаҳои қавии визуалӣ, аз ҷумла рушди мицелия, тағйири равшани ранг ва фурӯпошии бофта пайдо мешаванд.

Фарқи байни Level 1 ва Level 2 бошад душвортар аст. Level 1 аз меваҳои инокулятсияшудаи бе осеби намоён ва Level 2 танҳо аз тағйироти сабуки хокистарранг иборат аст. Ранги табиии сатҳи мева, фарқҳои равшанкунӣ ва аломатҳои хеле барвақт метавонанд намуди ин ду категорияро ба ҳам наздик кунанд.

Муаллифон инчунин қайд мекунанд, ки азбаски сатҳҳои пешрафтаи пӯсиш ба монанди Level 3–4 аз ҷониби инсон аллакай осон мушоҳида мешаванд, арзиши амалии ҷудокунии автоматии ин синфҳои пешрафта бояд боэҳтиёт тафсир шавад. Ҳадафи муҳимтари ояндаи таҳқиқот ҷудокунии боэътимоди сирояти барвақт ва беаломат аст.

Муносибати физиология ва зеҳни сунъӣ

Пешрафти намоёни сироят ҳамроҳ бо нармшавии мева, тағйири фаъолияти нафаскашӣ ва истеҳсоли этилен дар марҳилаи дер мушоҳида шудааст. Фаъолшавиҳои Grad-CAM низ дар аксари намунаҳо бо минтақаҳои вобаста ба тағйири намоёни ранг, нармшавӣ ё мицелия мувофиқати фазоӣ нишон доданд.

Аммо ин муносибат тасдиқи мустақими физиологӣ нест. Таваҷҷуҳи CNN ба минтақаи муайяни тасвир нишон намедиҳад, ки он минтақа мустақиман ба консентратсияи муайяни этилен ё суръати нафаскашӣ мувофиқ аст. Ченкуниҳои физиологӣ тавсифи post hoc дар сатҳи сатҳро таъмин мекунанд.

Аҳамияти амалии равиши RGB/LAB

Таҳқиқот баррасӣ мекунад, ки тасвирҳои стандартии рақамии RGB метавонанд нисбат ба системаҳои hyperspectral равиши соддатар ва камхарҷтари тасвиргирӣ фароҳам кунанд. Аммо ин таҳқиқот таҷрибае нест, ки системаи RGB/LAB ва hyperspectral-ро дар ҳамон намунаҳо аз ҷиҳати хароҷот ё натиҷа мустақим муқоиса кунад.

Аз ин рӯ, хулосаи “усули RGB аз тасвиргирии hyperspectral беҳтар аст” бароварда намешавад. Хулосаи маҳдудтаре, ки манбаъ дастгирӣ мекунад, ин аст, ки дар муҳити стандартшудаи назоратии тасвиргирӣ равиши ROI-aware RGB/LAB барои таснифи сатҳҳои намоёни сироят натиҷаҳои муфид додааст.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Дар кивии ‘Haegeum’ пешрафти намоёни сирояти B. cinerea бо нармшавии мева, тағйири нафаскашӣ ва дар сатҳҳои пешрафта истеҳсоли этилен ҳамроҳ шудааст.
• Коркарди пешакии ROI-aware фаъолшавии Grad-CAM-и аз замина сарчашмгирифтаро дар моделҳои интихобшудаи CNN коҳиш додааст.
• EfficientNet-B0, ResNet-50 ва ShuffleNet-V2 дар Pipeline II ба %90,3 accuracy расиданд.
• Равиши ROI-aware дар ҳамаи меъмориҳо афзоиши баробари натиҷа надод.
• Ҷудокунии сатҳҳои сабук ва барвақти намоён нисбат ба сатҳҳои пешрафтаи сироят душвортар аст.
• ShuffleNet-V2 ҳамроҳ бо accuracy-и баланд дар байни чор модели интихобшуда баландтарин суръати inference-ро дод.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад

• Нишон дода нашудааст, ки модел сирояти воқеии latent ё беаломатро боэътимод муайян мекунад.
• Level 1 назорати воқеии солими бе инокулятсия нест.
• Таносуби сирояти аз тасвир ҳисобшуда ҳамчун ground-truth-и дастии осеб мустақилона тасдиқ нашудааст.
• Минтақаҳои нишон додаи Grad-CAM ҳамчун маркази сабабии биологии сироят тасдиқ нашудаанд.
• Нишон дода нашудааст, ки Pipeline II ҳар модел ва ҳар метрикаи тафсирпазириро беҳтар мекунад.
• Нишон дода нашудааст, ки натиҷаи лаборатории назоратшуда дар боғҳо, мавсимҳои ҳосил, камераҳо ё хатҳои бастабандии тиҷоратии гуногун айнан нигоҳ дошта мешавад.
• Ин таҳқиқот таҷрибаи мустақими бартарӣ нисбат ба тасвиргирии hyperspectral нест.

Маҳдудиятҳои асосӣ

Набудани назорати mock: Гурӯҳи алоҳидаи солими бе инокулятсия вуҷуд надорад. Аз ин рӯ, Level 1 бояд танҳо ҳамчун “меваи инокулятсияшудаи бе осеби намоён” тафсир шавад.

Тасвиргирии назоратшуда: Остонаҳои RGB/LAB дар равшанкунии стандартшуда таҳия шудаанд. Дар муҳити беруна, камераи дигар, мавсими дигари ҳосил ё шароити муассисаи тиҷоратӣ остонаҳо бояд дубора тасдиқ шаванд.

Ground-truth-и осеб: Таносуби сирояти аз тасвир гирифташуда нисбат ба аннотатсияҳои дастии осеби коршинос мустақилона тасдиқ нашудааст.

Андоза ва номутавозинии маҷмӯаи додаҳо: Аз 959 тасвир 447-то Level 2 ва танҳо 95-то Level 4 мебошанд. Гарчанде метрикаҳои макро барои кам кардани таъсири ин номутавозинӣ ба арзёбӣ кӯмак мекунанд, маҷмӯаҳои калонтар лозиманд.

Augmentation-и маҳдуд: Истифодаи танҳо horizontal flip метавонад бо нигоҳ доштани хусусиятҳои биологии ранг ва осеб гуногунии шароити тасвиргириро маҳдуд карда бошад.

Се split: Метрикаҳои Grad-CAM ва муқоисаи модел танҳо аз рӯи се split-и мустақили сатҳи мева ҷамъбаст шудаанд. Аз ин рӯ, муаллифон махсусан метрикаҳои saliency ва deletion-ро ҳамчун нишондиҳандаҳои иловагии роҳнамо тафсир мекунанд.

Ҷузъиёти нокифояи такрорпазирӣ: Batch size, номи дақиқи loss function ва модели таҷҳизоти inference-и истифодашуда гузориш нашудаанд.

Тасдиқи сирояти табиӣ: Таҳқиқот бо инокулятсияи сунъӣ дар шароити назоратшуда гузаронида шудааст. Дар меваҳои тиҷоратии табиатан сироятшуда тасдиқи берунӣ анҷом дода нашудааст.

Самтҳои таҳқиқоти оянда

Муаллифон тавсия медиҳанд, ки усул нисбат ба аннотатсияҳои дастии осеб, мавсимҳои гуногуни ҳосил, шароити гуногуни боғ, муҳитҳои гуногуни тасвиргирӣ ва меваҳои табиатан сироятшуда тасдиқ карда шавад.

Махсусан мавҷуд будани меваҳои солими mock-инокулацияшуда, меваҳои табиатан солим ва меваҳои табиатан сироятшуда дар як маҷмӯаи додаҳо барои арзёбии фарқи байни Level 1, Level 2 ва сирояти воқеии пеш аз аломат зарур аст.

Дар оянда истифодаи усулҳои augmentation, ки аломатҳоро вайрон намекунанд, маҷмӯаҳои калонтари додаҳо ва шароити тиҷоратии нигоҳдорӣ/тақсимот барои арзёбии қобилияти умумисозии модел муҳим аст.

Ёддошт оид ба Манбаъ ва Усул

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

Унвони нашри туркӣ: Тавсифи Физиологӣ ва Тасвирбунёди Пешрафти Сирояти Botrytis cinerea дар Кивии ‘Haegeum’ Пас аз Ҳосилғундорӣ бо Истифода аз Омӯзиши Амиқи Тафсирпазир

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

Саҳми баробар: Joonggon Kim ва Sang-Yeon Kim ҳамчун муаллифони дорои саҳми баробар нишон дода шудаанд.

Муаллифи масъул: Eun Jin Lee.

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

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

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

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

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

Маҷалла: Frontiers in Plant Science.

Бахш: Technical Advances in Plant Science.

Ҷилд / мақола no: Volume 17, Article 1894572.

DOI: 10.3389/fpls.2026.1894572.

Навъи мақола: Original Research.

Санаи ирсол: 29 Май 2026.

Санаи бозбинӣ: 2 Июл 2026.

Санаи қабул: 6 Июл 2026.

Санаи нашр: 27 Июл 2026.

Баррасии ҳамтоён: Нашри аз баррасии ҳамтоён гузашта мебошад. Дар сабти расмии Frontiers муҳаррир Orly Enrique Apolo-Apolo; баррасикунандагон Mónica Pineda, Mahmoud Okasha ва Jairo Camilo Quijano Pérez нишон дода шудаанд.

Иҷозатнома: Creative Commons Attribution License (CC BY). Бо истиноди муносиб истифода, паҳнкунӣ ва бозтавлид иҷозат дода мешавад.

Навъи таҳқиқот: Таҳқиқоти таҷрибавӣ, ки озмоиши назоратшудаи инокулятсияи мева пас аз ҳосилғундорӣ, тавсифи физиологӣ ва таснифи тасвирҳои RGB-ро бар асоси омӯзиши амиқ муттаҳид мекунад.

Маводи растанӣ: Кивии гӯшташ тиллоии ‘Haegeum’, Actinidia chinensis var. chinensis.

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

Намунаи таҷрибавӣ: 240 мева; ҳашт нуқтаи вақт; 30 мева барои ҳар нуқтаи вақт.

Инокулум: 3 × 10⁸ спора L⁻¹; барои ҳар мева 10 µL, тақрибан 3 × 10³ спора.

Инкубатсия: 20 °C, намии нисбии %80–85, торикӣ, 14 рӯз.

Тасвиргирӣ: Барои ҳар мева шаш намуди RGB; дар маҷмӯъ 1.440 тасвири хом, баъд аз назорати сифат 959 тасвир.

Синфҳои модел: Чор сатҳи намоёни сироят.

Маҳдудияти назорат: Гурӯҳи алоҳидаи меваи солими mock-инокулацияшуда вуҷуд надорад. Level 1 аз меваҳое иборат аст, ки спора гирифтаанд, вале осеби намоён надоранд.

Меъмориҳои аввал санҷидашуда: ResNet-18, ResNet-50, EfficientNet-B0, ShuffleNet-V2, MobileNet-V2, MNASNet1_0, GoogLeNet, ViT-Base ва ViT-Large.

Моделҳои ба муқоисаи муфассали ҷуфтшуда дохилшуда: ResNet-18, ResNet-50, EfficientNet-B0 ва ShuffleNet-V2.

Transfer learning: Вазнҳои пешакӣ омӯзонидашудаи ImageNet.

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

Омӯзиш: 30 epoch; 5 epoch-и аввал, learning-rate warm-up-и хаттӣ.

Тақсимоти додаҳо: Дар сатҳи мева %70 train, %15 validation ва %15 test; се split-и мустақили тасодуфӣ.

Augmentation: Random horizontal flipping. Class-weighted loss ё resampling истифода нашуд.

Ҷузъиёти модели дар манбаъ равшан гузоришнашуда: Batch size, номи дақиқи loss function, модели таҷҳизоти омӯзиш/inference ва арзишҳои random seed.

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

Намоиши додаҳои физиологӣ: Миёна ± SE.

Намоиши натиҷаи Model/CAM: Миёна ± SD аз рӯи се split-и мустақил.

Намунагирии физиологӣ: Барои сахтӣ 15 такрори биологӣ барои ҳар сатҳ; барои нафаскашӣ ва этилен панҷ такрори биологии зарфӣ, дар ҳар зарф ду мева.

Натиҷаи асосии модел: Дар Pipeline II EfficientNet-B0, ResNet-50 ва ShuffleNet-V2 %90,3 accuracy; ResNet-18 %87,6 accuracy.

Натиҷаи асосии тафсирпазирӣ: Коркарди пешакии ROI-aware дар ҳамаи чор CNN-и интихобшуда outside-ROI saliency ratio-ро коҳиш дод ва фаъолшавии моделро бештар дар дохили минтақаи мева маҳдуд кард. Беҳбудии Drop@20% Δ бошад ба модел вобаста аст.

Формулаҳо: Манбаъ 12 муодила медиҳад: таносуби сироят, accuracy, precision, recall, F1, миёнаҳои макро, macro AUC, outside-ROI ratio, ROI entropy, CAM area ≥0,5, Drop@20% Δ ва FPS.

Ёддошти намоиши миқёс дар манбаъ: Графикҳои ROC AUC-ро дар фосилаи 0–1 нишон медиҳанд, дар ҳоле ки Table 3 арзишҳои AUCmacro-ро ба шакли 94,89–98,13 пешниҳод мекунад. Муодилаи 10 майдони CAM-ро ҳамчун таносуб медиҳад, аммо дар сарлавҳаи Table 3 аломати фоиз мавҷуд аст. Verianla ин намоишҳоро ба тавре, ки дар манбаъ нест, хомӯшона аз нав миқёсбандӣ накардааст.

Дастрасии додаҳо: Гуфта шудааст, ки саҳмҳои аслии таҳқиқот дар мақола ва Supplementary Material ҷой доранд ва саволҳои иловагӣ метавонанд ба corresponding author ирсол шаванд.

Маблағгузорӣ: Аз ҷониби 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 маблағгузорӣ шудааст. Grant no: RS-2024-00398300.

Ихтилофи манфиатҳо: Муаллифон изҳор кардаанд, ки таҳқиқот бе муносибатҳои тиҷоратӣ ё молиявие гузаронида шудааст, ки метавонистанд ихтилофи эҳтимолии манфиатҳоро ба вуҷуд оранд.

Изҳороти Generative AI: Муаллифон хабар додаанд, ки ҳангоми омода кардани мақола аз зеҳни сунъии генеративӣ истифода накардаанд. Frontiers инчунин қайд мекунад, ки матнҳои алтернативии шаклҳо метавонанд бо кумаки AI сохта шуда бошанд ва то ҳадди имкон аз ҷониби муаллифон баррасӣ шудаанд.

Саҳми муаллифон: 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.

Маҳдудиятҳои асосии методологӣ: Набудани назорати алоҳидаи солими mock; бар аломатҳои намоён асос ёфтани синфҳо; мустақилона тасдиқ нашудани сирояти барвақт/беаломат; ба равшанкунии стандартӣ такя кардани остонаҳои RGB/LAB; нисбат ба аннотатсияи дастии осеб тасдиқ нашудани таносуби сироят; маҷмӯаи маҳдуд ва номутавозини тасвирҳо; танҳо се split-и мустақил; augmentation-и маҳдуд; набудани сирояти табиӣ ва тасдиқи майдонии берунӣ.

Тасвирҳои манбаъ: Figure 1-и манбаъ чор марҳилаи воқеии намоёни сироятро; Figure 2 ҷараёни усули Pipeline I ва Pipeline II-ро; Figure 3 каҷҳои бисёрсинфии ROC-ро; Figure 4 фарқи Grad-CAM-и Pipeline I ва II-ро дар ҳамон меваҳо; Figure 5 тақсимоти Grad-CAM-ро дар чор CNN backbone нишон медиҳад.

Маҳдудияти бозсозии визуалӣ: Аксҳои мева ва харитаҳои raster-и Grad-CAM-и манбаъ бо тасвирҳои сунъӣ тақлид нашудаанд. Сатҳҳои намоёни сироят ва pipeline-и усул бо схемаҳои мустақили SVG-и бемиқёс пешниҳод шудаанд. Азбаски координатаҳои хоми ROC дар манбаъ ҳамчун ҷадвал дода нашудаанд, нуқтаҳои сохтаи ROC эҷод нашудаанд.