ROI-aware izohlanadigan chuqur oʻrganish doirasi, RGB tasvirlarda avval kivi joylashgan qiziqish hududini (Region of Interest, ROI) ajratadigan, fonni bostiradigan va keyin konvolyutsion neyron tarmoqlar yordamida koʻrinadigan Botrytis cinerea infeksiya ogʻirligini toʻrt darajada tasniflaydigan tasvirga asoslangan usuldir. Ushbu tadqiqot oltin etli ‘Haegeum’ kivilarda kulrang mogʻor infeksiyasining koʻrinadigan rivojlanishini tasniflash uchun standart RGB tasvirlar, ROI asosidagi dastlabki ishlov, RGB/LAB rang xususiyatlaridan hisoblangan leziya nisbati, toʻqqizta chuqur oʻrganish arxitekturasi va Grad-CAM izohlanish tahlilini birlashtirdi. Tasvir tasnifiga qoʻshimcha ravishda meva qattiqligi, nafas olish tezligi va etilen ishlab chiqarilishi oʻlchanib, koʻrinadigan infeksiya darajalariga hamroh boʻladigan fiziologik oʻzgarishlar alohida tavsiflandi.

Jami 240 ta ‘Haegeum’ kivi B. cinerea bilan inokulyatsiya qilindi, 14 kunlik inkubatsiya davomida sakkiz vaqt nuqtasida tekshirildi va har bir meva olti burchakdan tasvirga olindi. Bu jarayon 1.440 ta xom RGB tasvir hosil qildi; tasvir sifat nazoratidan soʻng 959 ta tasvir chuqur oʻrganish tahlilida qoldirildi. Infeksiya darajalari faqat tashqi koʻrinishga qarab belgilandi: Level 1 — koʻrinadigan leziya yoʻqligi, Level 2 — yengil kulrang tus oʻzgarishi, Level 3 — mahalliy oq mitseliy rivojlanishi va Level 4 — keng tarqalgan mitseliy rivojlanishi hamda toʻqima parchalanishi.

Fiziologik tavsiflash koʻrinadigan kasallik rivojlangani sari meva qattiqligi 4,82 N dan 2,79 N gacha pasayganini koʻrsatdi. Nafas olish tezligi Level 1 da 0,05 µmol kg⁻¹ s⁻¹ boʻlganida, Level 4 da 0,24 µmol kg⁻¹ s⁻¹ ga yetdi. Etilen Level 1 va 2 da aniqlanmadi, Level 3 da 0,001 µmol kg⁻¹ s⁻¹ darajasida paydo boʻldi va Level 4 da 0,015 µmol kg⁻¹ s⁻¹ gacha koʻtarildi. Tasvirdan hisoblangan infeksiya nisbati son jihatdan %0,13 dan %4,50 gacha oshdi.

ROI-aware Pipeline II ostida EfficientNet-B0, ResNet-50 va ShuffleNet-V2 modellari %90,3 aniqlik, ResNet-18 esa %87,6 aniqlikka erishdi. Pipeline II ning eng izchil taʼsiri tanlangan barcha CNN arxitekturalarida Grad-CAM faolligining meva tashqarisidagi fon hududlaridan uzoqlashishi boʻldi. Biroq oʻchirishga asoslangan Drop@20% Δ metrikasi barcha modellarda bir xil yoʻnalishda yaxshilanmadi. Shu sababli tadqiqot ROI asosidagi dastlabki ishlov model eʼtiborini meva hududi bilan yaxshiroq cheklashini qoʻllab-quvvatlaydi, biroq Grad-CAM tasvirlarini infeksiyaning sababiy joylashuvini isbotlaydigan izoh sifatida baholamaydi.

Eng muhim talqin cheklovi shuki, model haqiqiy yashirin yoki simptomsiz B. cinerea infeksiyasini tashxis qilishi koʻrsatilmagan. Level 1 mevalar ham B. cinerea bilan inokulyatsiya qilingan; faqat tasvirga olish paytida koʻrinadigan leziya koʻrsatmagan. Bundan tashqari, mustaqil mock-inokulyatsiya qilingan sogʻlom nazorat guruhi yoʻq. Shu sababli tadqiqot asosan nazorat qilinadigan tasvirga olish sharoitidagi koʻrinadigan infeksiya rivojlanishini tasniflash uchun dalil beradi.

Batafsil Tushuntirish

Tadqiqot muammosi

‘Haegeum’, Actinidia chinensis var. chinensis turiga mansub, sariq etli va Janubiy Koreyada tijoriy ahamiyatga ega kivi navidir. Kivi klimakterik meva; pishish jarayonida etilen ishlab chiqarilishi va nafas olish faolligi oshishi mumkin. Hosildan keyingi davrda mevaning yumshashi va pishishi zamburugʻ sababli buzilishlar bilan birga kechishi mumkin.

Botrytis cinerea, kulrang mogʻor kasalligini keltirib chiqaradigan fitopatogen zamburugʻdir. Hosil yigʻish paytida latent holatda boʻlishi va saqlash yoki tarqatish vaqtida rivojlanib, mevada rang oʻzgarishi, mitseliy hosil boʻlishi, yumshash va toʻqima parchalanishiga sabab boʻlishi mumkin.

Anʼanaviy vizual nazorat amaliy boʻlsa-da, baholovchining talqiniga bogʻliq. Laboratoriyaga asoslangan usullar batafsilroq oʻlchov bera olsa-da, tezkor tijoriy tasnif nuqtai nazaridan cheklangan boʻlishi mumkin. Shu sababli tadqiqotchilar standart RGB tasvirlardan koʻrinadigan infeksiya rivojlanishini avtomatik darajalash, shu bilan birga model qaysi tasvir hududlariga eʼtibor berishini tekshirish imkonini beradigan tizim yaratishni maqsad qildilar.

Infeksiya Darajalari Qanday Belgilandi?

Tadqiqotdagi toʻrt infeksiya darajasi sunʼiy intellekt, meva qattiqligi, nafas olish tezligi, etilen ishlab chiqarilishi yoki tasvirdan hisoblangan infeksiya nisbati bilan emas, faqat tashqaridan koʻrinadigan simptomlar bilan belgilandi; fiziologik oʻlchovlar va infeksiya nisbati ushbu vizual sinflar yaratilgach darajalarning biologik va leziya bilan bogʻliq xususiyatlarini tavsiflash uchun ishlatildi.

Nega Level 1 “sogʻlom meva” deb atalmasligi kerak?

Chunki tajribada alohida spora qoʻllanmagan mock nazorat guruhi yoʻq. Level 1 guruhidagi mevalar ham B. cinerea spora suspenziyasi bilan inokulyatsiya qilingan, biroq tasvirga olish vaqtida tashqaridan koʻrinadigan leziya rivojlantirmagan. Demak, Level 1 va hech qachon inokulyatsiya qilinmagan haqiqiy sogʻlom meva bir xil ilmiy toifa emas.

Model Simptomsiz Botrytis cinerea Infeksiyasini Aniqlaydimi?

Ushbu tadqiqot model haqiqiy simptomsiz yoki pre-simptomatik Botrytis cinerea infeksiyasini ishonchli aniqlashini koʻrsatmaydi; sinf yorliqlari koʻrinadigan simptomlarga asoslanadi, mustaqil sogʻlom nazorat yoʻq va mualliflar ayniqsa erta/simptomsiz infeksiya kelajakda tabiiy va mock-inokulyatsiya qilingan mevalar bilan alohida tasdiqlanishi kerakligini taʼkidlaydilar.

‘Haegeum’ mevalari qanday tayyorlandi?

‘Haegeum’ kivilari Janubiy Koreyaning Jeollanam-do provinsiyasidagi Bosung hududida joylashgan tijoriy bogʻdan toʻliq gullashdan 160 kun oʻtgach yigʻib olindi. Mevalar oʻxshash kattalikda va koʻrinadigan nuqsonsiz qilib tanlandi, ertalab qoʻlda terildi va toʻgʻridan-toʻgʻri laboratoriyaga olib kelindi.

Boshlangʻich fiziologik oʻzgaruvchanlikni kamaytirish va tijoriy uzoq muddatli sovuq saqlashni taqlid qilish maqsadida mevalar inokulyatsiyadan oldin 0 °C va %85–90 nisbiy namlikda 2,5 oy sovuq omborda saqlandi.

Botrytis cinerea inokulyatsiyasi

Tadqiqotda ‘Haegeum’ kivisidan ajratib olingan B. cinerea BHKA 1-1-1 shtammi ishlatildi. Zamburugʻ yetilgan sporali kultura olish uchun potato dextrose agar da 25 °C da toʻrt hafta oʻstirildi.

Spora suspenziyasi steril distillangan suvda tayyorlandi va gemositometr yordamida 3 × 10⁸ spora L⁻¹ zichlikka sozlandi. Har bir mevaning stylar uchiga yara hosil qilmasdan 10 µL tomchi qoʻllandi. Manbaga koʻra bu tomchi taxminan 3 × 10³ spora ni oʻz ichiga oladi.

Inokulyatsiya qilingan mevalar 20 °C da, %80–85 nisbiy namlikda, qorongʻida 14 kun inkubatsiya qilindi.

Vaqt nuqtalari va tasvirlar soni

Jami 240 meva sakkiz namuna olish vaqtiga taqsimlandi: inokulyatsiyadan keyin 0, 2, 4, 6, 8, 10, 12 va 14-kunlar. Har bir vaqt nuqtasida 30 meva baholandi.

Har bir mevadan yuqori, pastki va teng masofadagi toʻrtta yon koʻrinishdan iborat olti yuqori aniqlikdagi RGB tasvir olindi. Shunday qilib dastlab 1.440 ta xom RGB tasvir hosil boʻldi. Tasvir sifati tekshirilgach 959 ta tasvir modelni oʻqitish va baholashda qoldirildi.

Ushbu sinf nomutanosibligi sababli tadqiqotchilar baholashda macro-average precision, recall, F1 va AUC kabi metrikalardan foydalandi. Oʻqitish vaqtida class-weighted loss yoki qayta namunalash qoʻllanilmadi.

Fiziologik oʻlchovlarning roli

Fiziologik oʻlchovlar modelning sinf yorliqlarini yaratish uchun ishlatilmadi. Mevalar avval tashqi belgilariga koʻra Level 1–4 qilib belgilandi, soʻng bu koʻrinadigan darajalarga hamroh boʻlgan biologik oʻzgarishlar qattiqlik, nafas olish va etilen orqali tavsiflandi.

Meva qattiqligi qanday oʻlchandi?

Qattiqlik CT-3 texture analyzer qurilmasida 4 mm yassi uchli probdan foydalanib Newton (N) da oʻlchandi. Har bir mevaning ekvator qismidagi qarama-qarshi ikki tomonda, har birida 4 mm siqish chuqurligi va 1 mm s⁻¹ tezlik ishlatildi.

Har bir koʻrinadigan infeksiya darajasi uchun 15 biologik takror baholandi va natijalar oʻrtacha ± standart xato (SE) sifatida berildi.

Nafas olish tezligi va etilen qanday oʻlchandi?

Ikki kivi 1 L li havo oʻtkazmaydigan plastik idishga joylashtirildi va 25 °C da ikki soat saqlandi. Headspace dan 1 mL gaz olinib YL 6400 gaz xromatografiya tizimiga yuborildi.

Etilen uchun flame ionization detector, CO₂ uchun thermal conductivity detector ishlatildi. Tizim Porapak N 80/100 koloni va 18 mL min⁻¹ oqim tezligida geliy tashuvchi gaz bilan ishlatildi. Injektor va pech 50 °C, thermal conductivity detector 200 °C, flame ionization detector esa 250 °C da saqlandi.

Har bir infeksiya darajasi uchun besh biologik takror mavjud. Har bir takror ikki meva saqlangan bitta idishdan iborat boʻlgani sababli gaz oʻlchovlarida har bir daraja uchun jami 10 meva ishlatilgan.

Manbada turli yuqori indeks harflari Tukey HSD testida p<0,05 darajasida sezilarli farqni bildiradi. Qattiqlikda toʻrt darajaning barchasi bir-biridan ajralgan. Nafas olish tezligida Level 2 va Level 4 bir xil statistik guruhda; Level 3 ulardan pastroq, Level 1 esa eng past darajada. Etilen Level 1 va 2 da aniqlanmagan, Level 3 va Level 4 esa bir-biridan sezilarli farq qilgan.

Infeksiya nisbatida Level 1, 2 va 3 bir xil statistik harfni olgan; yaʼni son jihatdan oshish kuzatilganiga qaramay, manba jadvalidagi Tukey taqqoslashiga koʻra bu uch daraja oʻrtasida sezilarli farq koʻrsatilmagan. Level 4 esa dastlabki uch darajadan sezilarli farq qilgan.

ROI-Aware Pipeline II Nimani Oʻzgartiradi?

Pipeline II asosiy RGB tasniflash oqimiga avtomatik meva ROI segmentatsiyasi va fon piksellarini nolga tushirishni qoʻshib, CNN kirishi va Grad-CAM tahlilini meva hududi bilan cheklaydi; shuningdek RGB blue hamda LAB L* va a* kanallaridan qoidaga asoslangan infeksiya nisbatini hisoblaydi, biroq CNNning tasniflash kirishi baribir RGB tasvir boʻlib qoladi va bu nisbat sinf yorliqlarini belgilash uchun ishlatilmaydi.

Pipeline I: asosiy RGB yondashuvi

Pipeline I manbada baseline RGB pipeline sifatida taʼriflangan. Xom RGB tasvirlar avval 330 × 330 pikselga qayta oʻlchamlangan, soʻng markazdan 224 × 224 pikselga kesilgan va ImageNet oʻrtacha qiymati hamda standart ogʻishi yordamida normallashtirilgan.

Bu yondashuvda fon alohida segmentatsiya bilan olib tashlanmagan. Shu sababli patnis chetlari, soyalar, akslar va boshqa tasvir elementlari CNN koʻrish maydonida qolishi mumkin.

Pipeline II: ROI-aware yondashuvi

Pipeline II da meva hududi avtomatik segmentatsiya bilan aniqlangan. Avval threshold asosidagi foreground separation bajarilgan, soʻng morfologik yaxshilash qoʻllangan va eng katta bogʻlangan komponent meva ROI si sifatida belgilangan.

ROI tashqarisidagi piksellar nolga maskalangan. Soʻng ayni qayta oʻlchamlash, center crop va ImageNet normallashtirish amallari qoʻllangan. Shu tariqa ikki pipeline orasidagi tizimli farq ROI asosidagi fonni bostirish va Pipeline II dagi infeksiya nisbatini chiqarishdir.

RGB va LAB rang fazolari nega birga ishlatildi?

RGB tasvirlarda B kanali blue, yaʼni koʻk kanal intensivligini ifodalaydi. LAB rang fazosidagi L* perceptual yorqinlikni, a* esa qizil-yashil yoʻnalishidagi rang komponentini bildiradi. Tadqiqotchilar koʻrinadigan leziyalarda paydo boʻladigan rangning toʻqayishi, rang yoʻqolishi va sirt oʻzgarishlarini yaxshiroq ajratish uchun RGB B kanalini LAB L* va a* qiymatlari bilan birlashtirgan.

Bu thresholdlar standartlashtirilgan yoritish sharoitida vakillik tasvirlarida empirik ravishda aniqlangan va keyin barcha namunalar uchun oʻzgarmas saqlangan. Demak, bu thresholdlarning boshqa kamera, yoritish, hosil mavsumi yoki meva populyatsiyalarida ayni samaradorlikni berishi ushbu tadqiqotda isbotlanmagan.

Piksel tasniflash qoidalari

Manba matni B=130 yoki B=170 tenglik chegaralarini alohida tushuntirmaydi; shu sababli bu yerda manbada yoʻq chegara qoidasi qoʻshilmagan.

Tenglama 1: tasvirdan infeksiya nisbati

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

N_{infected pixels}, ROI ichida qoidaga asoslangan thresholdlar bilan “infeksiyalangan” deb tasniflangan piksellar soni. N_{fruit ROI pixels}, segmentatsiya bilan aniqlangan meva ROI sidagi umumiy piksellar soni.

Natija foizda leziya yukini ifodalovchi tasvirdan kelib chiqqan deskriptordir. “Shubhali” piksellar suratga kiritilgan infeksiyalangan piksellar bilan bir xil toifa emas.

Eng muhim cheklov shuki, bu nisbat ekspert tomonidan qoʻlda chizilgan leziya maskasiga nisbatan tasdiqlangan mustaqil ground-truth segmentatsiya metrikasi emas. Tadqiqotchilar ham kelajakda qoʻlda leziya annotatsiyalari bilan tekshirish kerakligini taʼkidlaydilar.

Chuqur oʻrganish arxitekturalari

Dastlabki skriningda toʻqqiz arxitektura baholandi:

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

Dastlabki skriningdan soʻng samaradorligi yuqoriroq va sinflar boʻyicha muvozanatliroq boʻlgan ResNet-18, ResNet-50, EfficientNet-B0 va ShuffleNet-V2 keyingi juftlashtirilgan Pipeline I–Pipeline II taqqoslashiga tanlandi.

Transfer learning va oʻqitish sozlamalari

Barcha modellar ImageNet da oldindan oʻqitilgan ogʻirliklardan boshlandi va kivi maʼlumotlar toʻplamida fine-tuning bajarildi. Asl tasniflash boshi olib tashlanib, uning oʻrniga toʻrt infeksiya darajasini chiqaradigan fully connected chiqish qatlami qoʻshildi.

Har bir split da validation accuracy si eng yuqori boʻlgan checkpoint yakuniy test baholashida ishlatildi.

Maʼlumot sizib chiqishini nazorat qilish: Bir xil mevaning olti xil tasviri mustaqil namunalar singari turli train/validation/test toʻplamlariga taqsimlanmagan. Bir mevaga tegishli barcha tasvirlar bir xil subset ichida saqlangan. Bu dizayn ayni jismoniy mevaning turli burchaklarini ham oʻqitishda, ham testda koʻrish tufayli yuzaga keladigan sunʼiy samaradorlik oshishini oldini olish uchun muhim.

Manbada berilmagan oʻqitish tafsilotlari: Maqola batch size, ishlatilgan loss funksiyasining toʻliq nomi, random seed qiymatlari va oʻqitish/inference apparatining protsessor/GPU modelini aniq koʻrsatmaydi. Bular Verianla tomonidan toʻldirilmagan.

Nega augmentation cheklangan holda saqlandi?

Tadqiqotchilar tasniflash yengil kulrang tus oʻzgarishi, mahalliy mitseliy, sirt teksturasi va RGB/LAB rang maʼlumotidagi kichik oʻzgarishlarga bogʻliqligini taʼkidlaydilar. Kuchli geometrik yoki rangga asoslangan augmentation amallari bu biologik belgilarni sunʼiy ravishda oʻzgartirishi mumkin degan sabab bilan oʻqitishdagi kengaytirish faqat random horizontal flip bilan cheklangan.

Buning evaziga maʼlumot xilma-xilligining cheklangan qolishi, ayniqsa yangi tasvirga olish sharoitlarida model barqarorligini kamaytirishi mumkinligi ham tadqiqotda cheklov sifatida muhokama qilinadi.

Grad-CAM Ushbu Tadqiqotda Nimani Koʻrsatadi va Nimani Isbotlamaydi?

Grad-CAM CNN qaroriga qaysi tasvir hududlari koʻproq hissa qoʻshishini rangli saliency taqsimotlari bilan vizuallashtirish uchun ishlatilgan; ROI-aware Pipeline II faollikni meva hududi ichida koʻproq jamlagan, ammo manba bu fazoviy moslik infeksiyaning haqiqiy sababiy joylashuvini yoki model izohining toʻgʻriligini qatʼiy isbotlamasligini ochiq aytadi.

Grad-CAM nima?

Gradient-weighted Class Activation Mapping (Grad-CAM), muayyan sinf bashoratida CNNning yuqori darajadagi xususiyat xaritalarining qaysi fazoviy hududlari koʻproq taʼsir qilganini koʻrsatishga urinadigan post hoc izohlanish texnikasi. Tadqiqot Grad-CAMning asosiy hosila tenglamasini qayta bermaydi; u hosil qilgan faollik xaritalarining ROI bilan fazoviy munosabatini alohida taʼriflangan metrikalar orqali baholaydi.

Tenglama 2: Accuracy

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

TP_c, c sinfidagi toʻgʻri musbat bashoratlar soni; C sinflar soni boʻlib, ushbu tadqiqotda C=4. N, baholangan jami tasvirlar soni.

Accuracy barcha toʻgʻri tasniflarning barcha namunalarga nisbatidir. Biroq sinflar nomutanosib boʻlsa, faqat accuracy kichik sinflardagi samaradorlikni yetarlicha aks ettirmasligi mumkin.

Tenglama 3: Precision

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

FP_c, aslida boshqa sinfga tegishli boʻlsa-da c sinfi deb bashorat qilingan notoʻgʻri musbat namunalar. Precision model “bu tasvir c sinfiga tegishli” deganda shu qarorlarning qanchasi toʻgʻri ekanini bildiradi.

Tenglama 4: Recall

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

FN_c, aslida c sinfiga tegishli boʻlsa-da model boshqa sinfga yuborgan notoʻgʻri manfiy namunalar. Recall yoki sensitivity haqiqiy c sinfi namunalarining qanchasi aniqlanganini koʻrsatadi.

Tenglama 5: F1-score

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

F1-score precision va recallning garmonik oʻrtachasidir. Metrika ikki oʻlchovdan faqat bittasining yuqori boʻlishini yetarli deb hisoblamaydi; nomutanosib precision–recall xatti-harakatini jazolaydi.

Tenglama 6: Makro oʻrtacha

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

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

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

Macro oʻrtachada toʻrt sinfning har biri bir xil vaznga ega. Level 2 da 447 tasvir, Level 4 da 95 tasvir boʻlsa-da, macro metrikada Level 2 faqat namunalar soni koʻproq boʻlgani uchun kattaroq vazn olmaydi.

Tenglama 7: Macro AUC

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

Koʻp sinfli muammoda har bir sinf uchun one-vs-rest ROC egri chizigʻi quriladi va tegishli AUC qiymatlari teng vazn bilan oʻrtachalanadi. AUC muayyan bitta qaror thresholdiga bogʻliq boʻlmasdan sinflarning ajraluvchanligini baholaydi.

Tenglama 8: Outside-ROI ratio

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

A(p), p pikselidagi CAM faolligi. Surat meva ROI sidan tashqarida qolgan CAM faolliklari yigʻindisi; maxraj butun tasvirdagi umumiy CAM faolligi.

Bu nisbat kichrayganda model saliency sining kichikroq qismi fonga oʻtadi. Pipeline II da tanlangan toʻrtta CNNning barchasida bu qiymat kamaygan.

Tenglama 9: ROI ichidagi entropy

Avval CAM faolligi ROI ichida normallashtiriladi:

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

Keyin:

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

Entropy ROI ichidagi faollik qanchalik tarqalgan yoki jamlanganini oʻlchaydi. Pastroq entropy saliency kamroq tarqalgan va fazoviy jihatdan koʻproq jamlangan tuzilishga mos keladi. Manba logarifm asosini alohida koʻrsatmaydi.

Tenglama 10: CAM area ≥ 0.5

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

Surat normallashtirilgan CAM intensivligi kamida 0,5 boʻlgan ROI piksellari soni; maxraj esa umumiy ROI piksellari soni. Shu tariqa yuqori faollikdagi maydonning ROI ichidagi nisbiy kattaligi hisoblanadi.

Manba taqdimoti haqida izoh: Tenglama bu qiymatni 0–1 nisbat sifatida belgilaydi, ammo Jadval 3 ustun sarlavhasida “%” belgisi ishlatilgan va qiymatlar 0,17–0,77 kabi oʻnli shaklda berilgan. Manba bu masshtab taqdimotini alohida izohlamagani uchun Verianla qiymatlarni jimgina 17 yoki 77 kabi foizlarga aylantirmaydi.

Tenglama 11: Drop@20% Δ

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

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

Har bir test tasvirida ROI ichida Grad-CAM eng yuqori taʼkidlagan %20 hudud maskalanadi va toʻgʻri sinfga tegishli bashorat ehtimoli qancha pasaygani oʻlchanadi. Ayni amal teng kattalikdagi tasodifiy tanlangan ROI hududi uchun takrorlanadi.

Musbat Drop@20% Δ CAM taʼkidlagan hududni maskalash tasodifiy hududni maskalashga nisbatan model ishonchini koʻproq kamaytirishini koʻrsatadi. Biroq manba bu metrikani sababiy izohning qatʼiy isboti emas, model bashorat sezgirligi haqida qoʻshimcha koʻrsatkich sifatida talqin qiladi.

Tenglama 12: FPS

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

N_images, test vaqtida tasniflangan tasvirlar soni; T_inference esa ushbu tasvirlarning forward-pass vaqti boʻlib, soniyalarda oʻlchanadi.

FPS oshgan sari model bir xil apparat sharoitida soniyasiga koʻproq tasvirni qayta ishlay oladi. Ammo maqola FPS oʻlchovi bir xil apparat sharoitida bajarilganini aytsa-da, ishlatilgan protsessor yoki GPU modelini bermaydi. Shu sababli boshqa tizimda ayni FPS qiymati olinadi deb taxmin qilib boʻlmaydi.

Tadqiqot Usuli va Natijalari

Statistik tahlil

Fiziologik oʻlchovlar va tasvirdan olingan infeksiya nisbati toʻliq tasodifiy dizayn ostida tahlil qilindi. Qattiqlik, nafas olish, etilen va infeksiya nisbati uchun bir yoʻnalishli dispersiya tahlili (one-way ANOVA), soʻng Tukey honestly significant difference (HSD) koʻp taqqoslash testi qoʻllandi.

Ahamiyatlilik chegarasi p<0,05. Statistik tahlil IBM SPSS Statistics 21 yordamida bajarildi.

Fiziologik natijalar va infeksiya nisbati oʻrtacha ± standart xato (SE) shaklida berildi. Uch mustaqil meva-darajali splitdan hisoblangan model samaradorligi va CAM metrikalari esa oʻrtacha ± standart ogʻish (SD) shaklidadir.

Manba Pipeline I va Pipeline II model metrikalari oʻrtasida alohida inferensial p-qiymat testini bermaydi. Shu sababli model samaradorligidagi farqlar “statistik jihatdan sezilarli yaxshilanish” deb qayta belgilamagan.

Toʻqqiz arxitekturaning tasniflash natijalari

Pipeline II da eng yuqori accuracy qiymatini EfficientNet-B0, ResNet-50 va ShuffleNet-V2 boʻlishdi: uchala model ham %90,3 aniqlikka erishdi. Shunga qaramay, boshqa metrikalari bir xil emas. EfficientNet-B0 da precision %93,7, recall %91,8 va F1 %92,1 boʻlsa, ShuffleNet-V2 da ular mos ravishda %92,1, %92,3 va %92,1.

ResNet-50 chuqurroq tarmoq boʻlsa-da, accuracy boʻyicha EfficientNet-B0 va ShuffleNet-V2 dan oʻtmadi. Bu natija ushbu maʼlumotlar toʻplamida tarmoq chuqurligining koʻproq boʻlishi avtomatik ravishda yuqoriroq aniqlik bermasligini koʻrsatadi; ammo barcha tasvir tasniflash vazifalariga umumlashtirib boʻlmaydi.

MNASNet1_0 Pipeline II da yaxshilanmadi, accuracy %55,9 dan %50,3 gacha tushdi. Bu ROI-aware ishlov arxitekturadan qatʼi nazar har bir modelni yaxshilaydigan universal usul emasligini aniq koʻrsatadi.

CNN va Vision Transformer natijasi qanday talqin qilindi?

Manbada CNN asosidagi modellar ushbu maʼlumotlar toʻplamida ViT-Base va ViT-Large ga qaraganda kuchliroq natija koʻrsatgani qayd etilgan. Mualliflar buni koʻrinadigan leziyalarda mahalliy rang va tekstura tuzilmalari borligi, CNNlarning kuchli mahalliy inductive biasga egaligi va maʼlumotlar toʻplami nisbatan kichikligi bilan bogʻliq boʻlishi mumkinligini muhokama qiladilar.

Bu izoh tadqiqot mualliflarining talqinidir. Tadqiqot “CNN har bir qishloq xoʻjaligi tasvir vazifasida Vision Transformer dan ustun” degan xulosani qoʻllab-quvvatlamaydi.

Macro AUC taqqoslanishi

Tanlangan toʻrtta CNNda Pipeline II bilan macro AUC oshdi. Manbaning Jadval 3 da bergan qiymatlari quyidagicha:

Manba ROC grafigida ayni kattaliklar taxminan 0,95, 0,98 kabi 0–1 AUC shkalasida koʻrsatilgan boʻlsa, Jadval 3 qiymatlari 94,89 va 98,13 shaklida berilgan. Bu ikki koʻrinish foiz/oʻnlik shkala oʻzgarishiga mos keladi; ammo Jadval 3 ning AUC ustun sarlavhasida aniq “%” belgisi yoʻqligi sababli Verianla jadval qiymatlarini manba shaklida saqlaydi.

Grad-CAM miqdoriy natijalari

Eng izchil natija outside-ROI ratio da. Pipeline II da toʻrtta modelning barchasida bu qiymat kamaydi. ResNet-18 da 0,77 dan 0,59 ga; ResNet-50 da 0,78 dan 0,48 ga; EfficientNet-B0 da 0,71 dan 0,32 ga; ShuffleNet-V2 da 0,51 dan 0,26 ga tushdi. Bu model faolligi fondan meva hududiga koʻproq cheklanganini qoʻllab-quvvatlaydi.

ROI entropy ham toʻrtta arxitekturaning barchasida kamaydi va yuqori intensivlikdagi CAM maydoni yanada ixcham boʻldi. Ammo Drop@20% Δ bir xil yoʻnalishda oʻzgarmadi. ShuffleNet-V2 manfiydan musbatga oʻtdi, ResNet-50 musbat qolgan holda kichraydi; ResNet-18 yanada manfiy boʻldi va EfficientNet-B0 musbatdan manfiyga oʻtdi.

Shu sababli tadqiqot Pipeline II model eʼtiborining fazoviy joylashuvini yanada izchil boʻlishini kuchli qoʻllab-quvvatlaydi; biroq izohlanishning har bir jihati va har bir arxitekturadagi sababiy ahamiyat oʻlchovi bir xil darajada yaxshilanganini qoʻllab-quvvatlamaydi.

Inference tezligi

ShuffleNet-V2 har ikkala pipeline da ham eng yuqori FPS qiymatini berdi: Pipeline I uchun 21,48 ± 0,92 FPS, Pipeline II uchun 21,43 ± 0,30 FPS. ResNet-50 esa mos ravishda 11,44 ± 0,27 va 12,31 ± 0,06 FPS bilan eng sekin model.

Pipeline II ROI segmentatsiyasini qoʻshganiga qaramay tanlangan CNNlarda inference throughput uchun katta jazo keltirmadi. Ammo maqola ishlatilgan apparat modelini bermagani sababli bu FPS qiymatlari boshqa apparatda bevosita qayta olinadi deb taxmin qilib boʻlmaydi.

Nega erta darajalar qiyinroq?

Manbaning sinfga asoslangan tahliliga koʻra Level 3 va Level 4 kabi ilgʻor infeksiya darajalari yaxshi natija koʻrsatgan CNNlar tomonidan osonroq ajratildi. Sababi bu darajalarda mitseliy rivojlanishi, aniq rang oʻzgarishi va toʻqima choʻkishi kabi kuchli vizual belgilar paydo boʻlishidir.

Level 1 va Level 2 orasidagi farq esa qiyinroq. Level 1 koʻrinadigan leziyasi yoʻq inokulyatsiya qilingan mevalardan, Level 2 esa faqat yengil kulrang tus oʻzgarishidan iborat. Meva sirtining tabiiy rangi, yoritish farqlari va juda erta simptomlar bu ikki toifaning koʻrinishlari ustma-ust tushishiga sabab boʻlishi mumkin.

Mualliflar, shuningdek, Level 3–4 kabi ilgʻor chirish darajalarini odam allaqachon oson payqashi mumkinligi sababli bu ilgʻor sinflarni avtomatik ajratishning amaliy qiymati ehtiyotkorlik bilan talqin qilinishi kerakligini taʼkidlaydilar. Tadqiqotning muhimroq kelajak maqsadi erta va simptomsiz infeksiyani ishonchli ajratishdir.

Fiziologiya va sunʼiy intellekt oʻrtasidagi munosabat

Koʻrinadigan infeksiya rivojlanishi mevaning yumshashi, nafas olish faolligidagi oʻzgarish va kech bosqichda etilen ishlab chiqarilishi bilan birga kuzatildi. Grad-CAM faolliklari ham koʻpchilik namunalarda koʻrinadigan rang oʻzgarishi, yumshash yoki mitseliy bilan bogʻliq hududlarga fazoviy moslik koʻrsatdi.

Biroq bu munosabat toʻgʻridan-toʻgʻri fiziologik tasdiq emas. CNNning muayyan tasvir hududiga eʼtibor berishi, bu hudud muayyan etilen konsentratsiyasi yoki nafas olish tezligiga toʻgʻridan-toʻgʻri mos kelishini koʻrsatmaydi. Fiziologik oʻlchovlar daraja miqyosida post hoc tavsiflash beradi.

RGB/LAB yondashuvining amaliy maʼnosi

Tadqiqot standart raqamli RGB tasvirlari hyperspectral tizimlarga qaraganda sodda va arzonroq tasvirga olish yondashuvini berishi mumkinligini muhokama qiladi. Biroq bu tadqiqot RGB/LAB va hyperspectral tizimlarini ayni namunalarda xarajat yoki samaradorlik jihatidan bevosita taqqoslagan tajriba emas.

Shuning uchun “RGB usuli hyperspectral tasvirlashdan ustun” degan xulosa chiqarib boʻlmaydi. Manba qoʻllab-quvvatlaydigan torroq xulosa shuki, standartlashtirilgan nazoratli tasvirga olish muhitida ROI-aware RGB/LAB yondashuvi koʻrinadigan infeksiya darajalarini tasniflashda foydali natijalar bergan.

Tadqiqot qoʻllab-quvvatlaydigan natijalar

• ‘Haegeum’ kivida koʻrinadigan B. cinerea infeksiya rivojlanishiga mevaning yumshashi, nafas olishdagi oʻzgarish va ilgʻor darajalarda etilen ishlab chiqarilishi hamroh boʻldi.
• ROI-aware dastlabki ishlov tanlangan CNN modellarida fon sababli Grad-CAM faolligini kamaytirdi.
• EfficientNet-B0, ResNet-50 va ShuffleNet-V2 Pipeline II da %90,3 accuracy ga erishdi.
• ROI-aware yondashuvi barcha arxitekturalarda bir xil samaradorlik oshishini bermadi.
• Yengil va erta koʻrinadigan darajalarni ajratish ilgʻor infeksiya darajalariga qaraganda qiyinroq.
• ShuffleNet-V2 yuqori accuracy bilan birga tanlangan toʻrtta model orasida eng yuqori inference tezligini berdi.

Tadqiqot qoʻllab-quvvatlamaydigan natijalar

• Model haqiqiy latent yoki simptomsiz infeksiyani ishonchli aniqlashi koʻrsatilmagan.
• Level 1 haqiqiy inokulyatsiya qilinmagan sogʻlom nazorat emas.
• Tasvirdan hisoblangan infeksiya nisbati qoʻlda belgilangan leziya ground-truth i sifatida mustaqil tasdiqlanmagan.
• Grad-CAM koʻrsatgan hududlar infeksiyaning sababiy biologik oʻchogʻi sifatida tasdiqlanmagan.
• Pipeline II har bir model va har bir izohlanish metrikasini yaxshilashi koʻrsatilmagan.
• Nazoratli laboratoriya samaradorligi turli bogʻlarda, hosil mavsumlarida, kameralar yoki tijoriy qadoqlash liniyalarida aynan saqlanishi koʻrsatilmagan.
• Bu tadqiqot hyperspectral tasvirlashga qarshi bevosita ustunlik tajribasi emas.

Asosiy cheklovlar

Mock nazoratning yoʻqligi: Alohida inokulyatsiya qilinmagan sogʻlom guruh yoʻq. Shu sababli Level 1 faqat “koʻrinadigan leziyasiz inokulyatsiya qilingan meva” deb talqin qilinishi kerak.

Nazoratli tasvirga olish: RGB/LAB thresholdlari standartlashtirilgan yoritishda ishlab chiqilgan. Tashqi muhit, boshqa kamera, boshqa hosil mavsumi yoki tijoriy obyekt sharoitida thresholdlarni qayta tasdiqlash kerak.

Leziya ground-truth i: Tasvirdan kelib chiqqan infeksiya nisbati ekspertning qoʻlda leziya annotatsiyalariga nisbatan mustaqil tasdiqlanmagan.

Maʼlumotlar toʻplamining hajmi va nomutanosibligi: 959 tasvirning 447 tasi Level 2, atigi 95 tasi Level 4. Macro metrikalar bu nomutanosiblikning baholashga taʼsirini kamaytirishga yordam bersa-da, kattaroq maʼlumotlar toʻplamlari zarur.

Cheklangan augmentation: Faqat horizontal flip ishlatilishi biologik rang va leziya xususiyatlarini saqlagan holda tasvir sharoitlari xilma-xilligini cheklagan boʻlishi mumkin.

Uch split: Grad-CAM va model taqqoslash metrikalari faqat uch mustaqil meva-darajali split boʻyicha umumlashtirilgan. Shu sababli mualliflar, ayniqsa saliency va deletion metrikalarini yoʻnaltiruvchi qoʻshimcha koʻrsatkichlar sifatida talqin qiladilar.

Yetishmayotgan qayta ishlab chiqarish tafsilotlari: Batch size, loss funksiyasining aniq nomi va ishlatilgan inference apparat modeli berilmagan.

Tabiiy infeksiyani tasdiqlash: Tadqiqot sunʼiy inokulyatsiya bilan nazoratli sharoitda oʻtkazilgan. Tabiiy ravishda infeksiyalangan tijoriy mevalarda tashqi tasdiqlash bajarilmagan.

Kelajakdagi tadqiqot yoʻnalishlari

Mualliflar usulni qoʻlda leziya annotatsiyalari, turli hosil mavsumlari, turli bogʻ sharoitlari, turli tasvirga olish muhitlari va tabiiy infeksiyalangan mevalarga nisbatan tasdiqlashni tavsiya qiladilar.

Ayniqsa mock-inokulyatsiya qilingan sogʻlom mevalar, tabiiy sogʻlom mevalar va tabiiy infeksiyalangan mevalarning bir xil maʼlumotlar toʻplamida boʻlishi Level 1, Level 2 va haqiqiy pre-simptomatik infeksiya oʻrtasidagi farqni baholash uchun zarur.

Kelajakda simptomlarni buzmaydigan augmentation usullari, kengroq maʼlumotlar toʻplamlari va tijoriy saqlash/tarqatish sharoitlaridan foydalanish modelning umumlashtiriluvchanligini baholash uchun muhim.

Manba va Usul Haqida Izoh

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

Turkcha nashr sarlavhasi: Hosildan Keyingi ‘Haegeum’ Kivida Botrytis cinerea Infeksiyasi Rivojlanishining Izohlanadigan Chuqur Oʻrganish Yordamida Fiziologik va Tasvirga Asoslangan Tavsifi

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

Teng hissa: Joonggon Kim va Sang-Yeon Kim teng hissa qoʻshgan mualliflar sifatida koʻrsatilgan.

Masʼul muallif: Eun Jin Lee.

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

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

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

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

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

Jurnal: Frontiers in Plant Science.

Boʻlim: Technical Advances in Plant Science.

Jild / maqola no: Volume 17, Article 1894572.

DOI: 10.3389/fpls.2026.1894572.

Maqola turi: Original Research.

Yuborilgan sana: 29 May 2026.

Tahrir sanasi: 2 Iyul 2026.

Qabul sanasi: 6 Iyul 2026.

Nashr sanasi: 27 Iyul 2026.

Taqriz holati: Taqrizdan oʻtgan nashr. Rasmiy Frontiers qaydida muharrir Orly Enrique Apolo-Apolo; taqrizchilar Mónica Pineda, Mahmoud Okasha va Jairo Camilo Quijano Pérez sifatida koʻrsatilgan.

Litsenziya: Creative Commons Attribution License (CC BY). Tegishli iqtibos berilganda foydalanish, tarqatish va qayta ishlab chiqarishga ruxsat beriladi.

Tadqiqot turi: Nazoratli hosildan keyingi meva inokulyatsiya tajribasi, fiziologik tavsiflash va chuqur oʻrganishga asoslangan RGB tasvir tasnifini birlashtirgan eksperimental tadqiqot.

Oʻsimlik materiali: Oltin etli ‘Haegeum’ kivi, Actinidia chinensis var. chinensis.

Patogen: Botrytis cinerea, BHKA 1-1-1 shtammi.

Tajriba namunasi: 240 meva; sakkiz vaqt nuqtasi; har vaqt nuqtasiga 30 meva.

Inokulum: 3 × 10⁸ spora L⁻¹; har mevaga 10 µL, taxminan 3 × 10³ spora.

Inkubatsiya: 20 °C, %80–85 nisbiy namlik, qorongʻi, 14 kun.

Tasvirga olish: Har bir mevaga olti RGB koʻrinish; jami 1.440 xom tasvir, sifat nazoratidan keyin 959 tasvir.

Model sinflari: Toʻrt koʻrinadigan infeksiya darajasi.

Nazorat cheklovi: Alohida mock-inokulyatsiya qilingan sogʻlom meva guruhi yoʻq. Level 1 spora qoʻllangan, ammo koʻrinadigan leziya koʻrsatmagan mevalardan iborat.

Dastlab tekshirilgan arxitekturalar: ResNet-18, ResNet-50, EfficientNet-B0, ShuffleNet-V2, MobileNet-V2, MNASNet1_0, GoogLeNet, ViT-Base va ViT-Large.

Juftlashtirilgan batafsil taqqoslashga olingan modellar: ResNet-18, ResNet-50, EfficientNet-B0 va ShuffleNet-V2.

Transfer learning: ImageNet da oldindan oʻqitilgan ogʻirliklar.

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

Oʻqitish: 30 epoch; dastlabki 5 epoch chiziqli learning-rate warm-up.

Maʼlumotlar boʻlinishi: Meva darajasida %70 train, %15 validation va %15 test; uch mustaqil tasodifiy split.

Augmentation: Random horizontal flipping. Class-weighted loss yoki resampling qoʻllanilmagan.

Manbada aniq berilmagan model tafsilotlari: Batch size, loss funksiyasining aniq nomi, oʻqitish/inference apparat modeli va random seed qiymatlari.

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

Fiziologik maʼlumot taqdimoti: Oʻrtacha ± SE.

Model/CAM samaradorligi taqdimoti: Uch mustaqil split boʻyicha oʻrtacha ± SD.

Fiziologik namunalash: Qattiqlik uchun har darajaga 15 biologik takror; nafas olish va etilen uchun besh idishli biologik takror, har idishda ikki meva.

Asosiy model natijasi: Pipeline II da EfficientNet-B0, ResNet-50 va ShuffleNet-V2 %90,3 accuracy; ResNet-18 %87,6 accuracy.

Asosiy izohlanish natijasi: ROI-aware dastlabki ishlov tanlangan toʻrtta CNNning barchasida outside-ROI saliency nisbatini kamaytirdi va model faolligini meva hududi ichida koʻproq chekladi. Drop@20% Δ yaxshilanishi esa modelga bogʻliq.

Formulalar: Manba 12 tenglama beradi: infeksiya nisbati, accuracy, precision, recall, F1, macro oʻrtachalar, macro AUC, outside-ROI ratio, ROI entropy, CAM area ≥0,5, Drop@20% Δ va FPS.

Manbadagi shkala taqdimoti haqida izoh: ROC grafiklari AUC ni 0–1 oraligʻida koʻrsatadi, Jadval 3 esa AUCmacro qiymatlarini 94,89–98,13 kabi shaklda beradi. Tenglama 10 CAM maydonini nisbat sifatida beradi, ammo Jadval 3 sarlavhasida foiz belgisi bor. Verianla bu taqdimotlarni manbada boʻlmagan tarzda jimgina qayta masshtablamagan.

Maʼlumotlar mavjudligi: Tadqiqotning asl hissalari maqola va Supplementary Material ichida ekanligi, qoʻshimcha savollar corresponding author ga yuborilishi mumkinligi aytilgan.

Moliyalashtirish: 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 tomonidan moliyalashtirilgan. Grant no: RS-2024-00398300.

Manfaatlar toʻqnashuvi: Mualliflar tadqiqot potensial manfaatlar toʻqnashuvini yuzaga keltirishi mumkin boʻlgan tijoriy yoki moliyaviy munosabatlarsiz oʻtkazilganini bildirgan.

Generativ AI bayonoti: Mualliflar maqolani yaratishda generativ sunʼiy intellektdan foydalanmaganlarini bildirgan. Frontiers, shuningdek, shakllarning muqobil matnlari AI yordami bilan yaratilgan boʻlishi mumkinligini va imkon qadar mualliflar tomonidan koʻrib chiqilganini qayd etadi.

Muallif hissalari: 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.

Asosiy metodologik cheklovlar: Alohida sogʻlom mock nazoratning yoʻqligi; sinflarning koʻrinadigan simptomlarga asoslanganligi; erta/simptomsiz infeksiyaning mustaqil tasdiqlanmaganligi; RGB/LAB thresholdlarining standart yoritishga asoslanganligi; infeksiya nisbati qoʻlda leziya annotatsiyasiga qarshi tasdiqlanmaganligi; cheklangan va nomutanosib tasvir maʼlumotlar toʻplami; faqat uch mustaqil split; cheklangan augmentation; tabiiy infeksiya va tashqi maydon tasdiqlashining yoʻqligi.

Manba tasvirlari: Manba Figure 1 toʻrt haqiqiy koʻrinadigan infeksiya bosqichini; Figure 2 Pipeline I va Pipeline II usul oqimini; Figure 3 koʻp sinfli ROC egri chiziqlarini; Figure 4 ayni mevalarda Pipeline I va II Grad-CAM farqini; Figure 5 toʻrtta CNN backbone dagi Grad-CAM taqsimotlarini koʻrsatadi.

Vizual qayta yaratish cheklovi: Manba meva fotosuratlari va Grad-CAM raster xaritalari sunʼiy tasvirlar bilan taqlid qilinmagan. Koʻrinadigan infeksiya darajalari va usul pipeline i masshtabsiz mustaqil SVG sxemalari bilan berilgan. ROC xom koordinatalari manbada jadval sifatida berilmagani uchun soxta ROC nuqtalari yaratilmagan.