ROI-aware şərh edilə bilən dərin öyrənmə çərçivəsi, RGB görüntülərində əvvəlcə kivinin yerləşdiyi maraq sahəsini (Region of Interest, ROI) ayıran, fonu basdıran və daha sonra konvolyusion sinir şəbəkələri ilə görünən Botrytis cinerea infeksiya şiddətini dörd səviyyədə təsnif edən görüntü əsaslı üsuldur. Bu tədqiqat qızılı ətli ‘Haegeum’ kivisində boz kif infeksiyasının görünən inkişafını təsnif etmək üçün standart RGB görüntülərini, ROI əsaslı ilkin emalı, RGB/LAB rəng xüsusiyyətlərindən hesablanan lezyon nisbətini, doqquz dərin öyrənmə arxitekturasını və Grad-CAM izah edilə bilənlik analizini birləşdirmişdir. Görüntü təsnifatı ilə yanaşı, meyvə sərtliyi, tənəffüs sürəti və etilen istehsalı ölçülərək görünən infeksiya səviyyələrini müşayiət edən fizioloji dəyişikliklər ayrıca xarakterizə edilmişdir.

Ümumilikdə 240 ‘Haegeum’ kivisi B. cinerea ilə inokulyasiya edilmiş, 14 günlük inkubasiya müddətində səkkiz zaman nöqtəsində araşdırılmış və hər meyvə altı bucaqdan görüntülənmişdir. Bu proses 1.440 xam RGB görüntüsü yaratmış; görüntü keyfiyyətinə nəzarətdən sonra 959 görüntü dərin öyrənmə analizində saxlanılmışdır. İnfeksiya səviyyələri yalnız xarici görünüşə əsasən müəyyən edilmişdir: Level 1 görünən lezyonun olmaması, Level 2 yüngül bozumtul rəng dəyişikliyi, Level 3 lokal ağ miselyum inkişafı və Level 4 geniş yayılmış miselyum inkişafı ilə toxuma parçalanmasıdır.

Fizioloji xarakterizasiya görünən xəstəlik irəlilədikcə meyvə sərtliyinin 4,82 N-dan 2,79 N-a düşdüyünü göstərmişdir. Tənəffüs sürəti Level 1-də 0,05 µmol kg⁻¹ s⁻¹ olduğu halda Level 4-də 0,24 µmol kg⁻¹ s⁻¹-ə çatmışdır. Etilen Level 1 və 2-də aşkar edilməmiş, Level 3-də 0,001 µmol kg⁻¹ s⁻¹ səviyyəsində ortaya çıxmış və Level 4-də 0,015 µmol kg⁻¹ s⁻¹-ə yüksəlmişdir. Görüntüdən hesablanan infeksiya nisbəti sayca %0,13-dən %4,50-yə yüksəlmişdir.

ROI-aware Pipeline II altında EfficientNet-B0, ResNet-50 və ShuffleNet-V2 modelləri %90,3 dəqiqlik, ResNet-18 isə %87,6 dəqiqlik əldə etmişdir. Pipeline II-nin ən ardıcıl təsiri seçilmiş bütün CNN arxitekturalarında Grad-CAM aktivliyinin meyvədən kənardakı fon sahələrindən uzaqlaşdırılması olmuşdur. Bununla belə, silmə əsaslı Drop@20% Δ metrikası bütün modellərdə eyni istiqamətdə yaxşılaşmamışdır. Buna görə tədqiqat ROI əsaslı ilkin emalın model diqqətini meyvə sahəsi ilə daha yaxşı məhdudlaşdırdığını dəstəkləyir, lakin Grad-CAM görüntülərini infeksiyanın səbəbli yerini sübut edən izah kimi qiymətləndirmir.

Ən mühüm şərh məhdudiyyəti modelin həqiqi gizli və ya asimptomatik B. cinerea infeksiyasını diaqnostika etdiyinin göstərilməməsidir. Level 1 meyvələri də B. cinerea ilə inokulyasiya edilmişdir; sadəcə görüntüləmə zamanı görünən lezyon göstərmirlər. Bundan əlavə, müstəqil mock-inokulyasiya olunmuş sağlam nəzarət qrupu yoxdur. Buna görə tədqiqat əsasən nəzarətli görüntüləmə şəraitində görünən infeksiya irəliləməsinin təsnifatı üçün sübut təqdim edir.

Ətraflı İzah

Tədqiqatın araşdırma problemi

‘Haegeum’, Actinidia chinensis var. chinensis növünə aid, sarı ətli və Cənubi Koreyada kommersiya əhəmiyyəti olan kivi sortudur. Kivi klimakterik meyvədir; yetişmə prosesində etilen istehsalı və tənəffüs aktivliyi arta bilər. Məhsul yığımından sonrakı dövrdə meyvənin yumşalması və yetişməsi göbələk mənşəli xarab olmalarla birlikdə irəliləyə bilər.

Botrytis cinerea, boz kif xəstəliyinə səbəb olan fitopatogen göbələkdir. Məhsul yığımı zamanı latent vəziyyətdə ola bilər və saxlama və ya paylanma zamanı inkişaf edərək meyvədə rəng dəyişikliyi, miselyum əmələ gəlməsi, yumşalma və toxuma parçalanmasına səbəb ola bilər.

Ənənəvi vizual yoxlama praktik olsa da qiymətləndirən şəxsin şərhindən asılıdır. Laboratoriya əsaslı üsullar daha ətraflı ölçmə təmin edə bilsə də sürətli kommersiya təsnifatı baxımından məhdud ola bilər. Buna görə tədqiqatçılar standart RGB görüntülərindən görünən infeksiya irəliləməsini avtomatik dərəcələndirə biləcək, eyni zamanda modelin hansı görüntü sahələrinə diqqət yetirdiyini araşdırmağa imkan verəcək sistem hazırlamağı qarşıya məqsəd qoymuşlar.

İnfeksiya Səviyyələri Necə Müəyyən Edildi?

Tədqiqatdakı dörd infeksiya səviyyəsi süni intellekt, meyvə sərtliyi, tənəffüs sürəti, etilen istehsalı və ya görüntüdən hesablanan infeksiya nisbəti ilə deyil, yalnız xaricdən görünən simptomlarla təyin edilmişdir; fizioloji ölçmələr və infeksiya nisbəti bu vizual siniflər yaradıldıqdan sonra səviyyələrin bioloji və lezyonla əlaqəli xüsusiyyətlərini xarakterizə etmək üçün istifadə edilmişdir.

Niyə Level 1 “sağlam meyvə” adlandırılmamalıdır?

Çünki eksperimentdə ayrıca spor tətbiq edilməmiş mock nəzarət qrupu yoxdur. Level 1 qrupundakı meyvələr də B. cinerea spor suspenziyası ilə inokulyasiya edilmiş, lakin görüntüləmə zamanı xaricdən görünən lezyon inkişaf etdirməmişdir. Buna görə Level 1 ilə həqiqi, heç inokulyasiya edilməmiş sağlam meyvə eyni elmi kateqoriya deyil.

Model Asimptomatik Botrytis cinerea İnfeksiyasını Aşkar Edirmi?

Bu tədqiqat modelin həqiqi asimptomatik və ya pre-simptomatik Botrytis cinerea infeksiyasını etibarlı şəkildə aşkar etdiyini göstərmir; sinif etiketləri görünən simptomlara əsaslanır, müstəqil sağlam nəzarət yoxdur və müəlliflər xüsusilə erkən/asimptomatik infeksiyanın gələcəkdə təbii və mock-inokulyasiya olunmuş meyvələrlə ayrıca doğrulanmalı olduğunu bildirirlər.

‘Haegeum’ meyvələri necə hazırlandı?

‘Haegeum’ kivisi Cənubi Koreyanın Jeollanam-do əyalətinin Bosung bölgəsində yerləşən kommersiya bağından tam çiçəklənmədən 160 gün sonra yığılmışdır. Meyvələr oxşar ölçüdə və görünən qüsursuz seçilmiş, səhər əl ilə yığılmış və birbaşa laboratoriyaya daşınmışdır.

Başlanğıcdakı fizioloji dəyişkənliyi azaltmaq və kommersiya uzunmüddətli soyuq saxlamanı təqlid etmək məqsədilə meyvələr inokulyasiyadan əvvəl 0 °C və %85–90 nisbi rütubətdə 2,5 ay soyuq anbarda saxlanılmışdır.

Botrytis cinerea inokulyasiyası

Tədqiqatda ‘Haegeum’ kivisindən izolə edilmiş B. cinerea BHKA 1-1-1 ştammı istifadə edilmişdir. Göbələk yetkin sporlu kultura əldə etmək üçün potato dextrose agar üzərində 25 °C-də dörd həftə yetişdirilmişdir.

Spor suspenziyası steril distillə olunmuş suda hazırlanmış və hemositometrdən istifadə edilərək 3 × 10⁸ spor L⁻¹ sıxlığına uyğunlaşdırılmışdır. Hər meyvənin stylar ucuna yara yaratmadan 10 µL damcı tətbiq edilmişdir. Mənbəyə görə bu damcı təxminən 3 × 10³ spor ehtiva edir.

İnokulyasiya olunmuş meyvələr 20 °C-də, %80–85 nisbi rütubətdə, qaranlıqda 14 gün inkubasiya edilmişdir.

Zaman nöqtələri və görüntü sayı

Ümumilikdə 240 meyvə səkkiz nümunə götürmə zamanına bölüşdürülmüşdür: inokulyasiyadan sonra 0, 2, 4, 6, 8, 10, 12 və 14-cü günlər. Hər zaman nöqtəsində 30 meyvə qiymətləndirilmişdir.

Hər meyvədən üst, alt və bərabər aralıqlı dörd yan görünüş olmaqla altı yüksək ayırdetməli RGB görüntüsü alınmışdır. Beləliklə başlanğıcda 1.440 xam RGB görüntüsü yaranmışdır. Görüntü keyfiyyəti yoxlamasından sonra 959 görüntü model təlimi və qiymətləndirilməsində saxlanılmışdır.

Bu sinif balanssızlığına görə tədqiqatçılar qiymətləndirmədə makro-orta precision, recall, F1 və AUC kimi metrikalardan istifadə etmişlər. Təlim zamanı class-weighted loss və ya yenidən nümunələmə tətbiq edilməmişdir.

Fizioloji ölçmələrin rolu

Fizioloji ölçmələr modelin sinif etiketlərini yaratmaq üçün istifadə edilməmişdir. Meyvələr əvvəlcə xarici əlamətlərinə görə Level 1–4 kimi təyin edilmiş, sonra bu görünən səviyyələri müşayiət edən bioloji dəyişikliklər sərtlik, tənəffüs və etilen vasitəsilə xarakterizə edilmişdir.

Meyvə sərtliyi necə ölçüldü?

Sərtlik CT-3 texture analyzer cihazında 4 mm düz uclu zond istifadə edilərək Newton (N) ilə ölçülmüşdür. Hər meyvənin ekvator sahəsinin qarşı-qarşıya iki tərəfində, hər birində 4 mm sıxılma dərinliyi və 1 mm s⁻¹ sürət istifadə edilmişdir.

Hər görünən infeksiya səviyyəsi üçün 15 bioloji təkrar qiymətləndirilmiş və nəticələr orta ± standart xəta (SE) kimi bildirilmişdir.

Tənəffüs sürəti və etilen necə ölçüldü?

İki kivi 1 L-lik hava keçirməyən plastik qaba yerləşdirilmiş və 25 °C-də iki saat saxlanılmışdır. Headspace-dən 1 mL qaz götürülərək YL 6400 qaz xromatoqrafiya sisteminə inyeksiya edilmişdir.

Etilen üçün flame ionization detector, CO₂ üçün thermal conductivity detector istifadə edilmişdir. Sistem Porapak N 80/100 kolon və 18 mL min⁻¹ axın sürətində helium daşıyıcı qazla işlədilmişdir. İnjektor və soba 50 °C, thermal conductivity detector 200 °C, flame ionization detector isə 250 °C-də saxlanılmışdır.

Hər infeksiya səviyyəsi üçün beş bioloji təkrar vardır. Hər təkrar iki meyvə olan bir qabdan ibarət olduğuna görə qaz ölçmələrində hər səviyyə üçün ümumilikdə 10 meyvə istifadə edilmişdir.

Mənbədə fərqli üst simvol hərfləri Tukey HSD testində p<0,05 səviyyəsində əhəmiyyətli fərqi göstərir. Sərtlikdə dörd səviyyənin hamısı bir-birindən ayrılmışdır. Tənəffüs sürətində Level 2 və Level 4 eyni statistik qrupdadır; Level 3 bunlardan aşağı, Level 1 isə ən aşağı səviyyədədir. Etilen Level 1 və 2-də aşkar edilməmiş, Level 3 və Level 4 bir-birindən əhəmiyyətli şəkildə fərqlənmişdir.

İnfeksiya nisbətində Level 1, 2 və 3 eyni statistik hərfi daşıyır; yəni sayısal artım müşahidə olunsa da bu üç səviyyə arasında mənbə cədvəlindəki Tukey müqayisəsinə görə əhəmiyyətli fərq göstərilməmişdir. Level 4 isə ilk üç səviyyədən əhəmiyyətli şəkildə fərqlənmişdir.

ROI-Aware Pipeline II Nəyi Dəyişdirir?

Pipeline II əsas RGB təsnifat axınına avtomatik meyvə ROI segmentasiyası və fon piksellərinin sıfırlanmasını əlavə edərək CNN-in girişini və Grad-CAM analizini meyvə sahəsi ilə məhdudlaşdırır; həmçinin RGB blue ilə LAB L* və a* kanallarından qayda əsaslı infeksiya nisbəti hesablayır, lakin CNN-in təsnifat girişi yenə RGB görüntüdür və bu nisbət sinif etiketlərini müəyyən etmək üçün istifadə edilmir.

Pipeline I: əsas RGB yanaşması

Pipeline I mənbədə baseline RGB pipeline kimi təsvir edilmişdir. Xam RGB görüntüləri əvvəlcə 330 × 330 pikselə yenidən ölçüləndirilmiş, sonra mərkəzdən 224 × 224 pikselə kəsilmiş və ImageNet orta və standart sapması ilə normallaşdırılmışdır.

Bu yanaşmada fon ayrıca segmentasiya ilə çıxarılmamışdır. Buna görə nimçə kənarları, kölgələr, əkslər və digər görüntü elementləri CNN-in baxış sahəsində qala bilər.

Pipeline II: ROI-aware yanaşması

Pipeline II-də meyvə sahəsi avtomatik segmentasiya ilə müəyyən edilmişdir. Əvvəlcə eşik əsaslı foreground separation aparılmış, sonra morfoloji yaxşılaşdırma tətbiq edilmiş və ən böyük bağlı komponent meyvə ROI-si kimi müəyyən edilmişdir.

ROI xaricindəki piksellər sıfıra maskalanmışdır. Daha sonra eyni yenidən ölçüləndirmə, center crop və ImageNet normallaşdırma əməliyyatları tətbiq edilmişdir. Beləliklə iki pipeline arasındakı sistematik fərq ROI əsaslı fon basdırma və Pipeline II-də infeksiya nisbətinin çıxarılmasıdır.

RGB və LAB rəng məkanları niyə birlikdə istifadə edildi?

RGB görüntülərində B kanalı blue, yəni mavi kanal intensivliyini ifadə edir. LAB rəng məkanındakı L* qavrayışa əsaslanan açıqlığı, a* isə qırmızı-yaşıl istiqamətindəki rəng komponentini ifadə edir. Tədqiqatçılar görünən lezyonlarda yaranan rəng tündləşməsi, rəng itkisi və səth dəyişikliklərini daha yaxşı ayırmaq üçün RGB B kanalını LAB L* və a* dəyərləri ilə birləşdirmişlər.

Bu eşiklər standartlaşdırılmış işıqlandırma altında təmsilçi görüntülər üzərində empirik olaraq müəyyən edilmiş və sonra bütün nümunələr üçün sabit saxlanmışdır. Buna görə həmin eşiklərin başqa kamera, işıqlandırma, məhsul yığım mövsümü və ya meyvə populyasiyalarında eyni performansı verəcəyi bu tədqiqat tərəfindən sübut edilməmişdir.

Piksel təsnifat qaydaları

Mənbə mətn B=130 və ya B=170 bərabərlik sərhədlərini ayrıca izah etmir; buna görə burada mənbədə olmayan sərhəd qaydası əlavə edilməmişdir.

Tənlik 1: görüntüdən infeksiya nisbəti

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

N_{infected pixels}, ROI daxilində qayda əsaslı eşiklərlə “infeksiyalı” kimi təsnif edilən piksel sayıdır. N_{fruit ROI pixels}, segmentasiya ilə müəyyən edilən meyvə ROI-sindəki ümumi piksel sayıdır.

Nəticə faizlə lezyon yükünü təmsil edən görüntü mənşəli göstəricidir. “Şübhəli” piksellər surətə daxil edilən infeksiyalı piksellərlə eyni kateqoriya deyil.

Ən mühüm məhdudiyyət bu nisbətin mütəxəssis tərəfindən əl ilə çəkilmiş lezyon maskasına qarşı doğrulanmış müstəqil ground-truth segmentasiya metrikası olmamasıdır. Tədqiqatçılar da gələcəkdə manual lezyon annotasiyaları ilə doğrulama aparılmalı olduğunu bildirirlər.

Dərin öyrənmə arxitekturaları

İlkin yoxlamada doqquz arxitektura qiymətləndirilmişdir:

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

İlkin yoxlamadan sonra performansı daha yüksək və siniflər arasında daha balanslı olan ResNet-18, ResNet-50, EfficientNet-B0 və ShuffleNet-V2 sonrakı cütləşdirilmiş Pipeline I–Pipeline II müqayisəsi üçün seçilmişdir.

Transfer learning və təlim parametrləri

Bütün modellər ImageNet üzərində əvvəlcədən təlim keçmiş çəkilərlə başladılmış və kivi məlumat dəstində fine-tuning tətbiq edilmişdir. İlkin təsnifat başlığı çıxarılmış, yerinə dörd infeksiya səviyyəsini çıxaran fully connected çıxış qatı əlavə edilmişdir.

Hər split-də validation accuracy-si ən yüksək olan checkpoint yekun test qiymətləndirməsində istifadə edilmişdir.

Məlumat sızmasının yoxlanması: Eyni meyvənin altı müxtəlif görüntüsü müstəqil nümunələr kimi fərqli train/validation/test qruplarına paylanmamışdır. Bir meyvəyə aid bütün görüntülər eyni subset daxilində saxlanılmışdır. Bu dizayn eyni fiziki meyvənin müxtəlif bucaqlarını həm təlimdə, həm testdə görməyin yarada biləcəyi süni performans artımının qarşısını almaq baxımından vacibdir.

Mənbədə bildirilməyən təlim detalları: Məqalə batch size-ı, istifadə olunan loss funksiyasının tam adını, random seed dəyərlərini və təlim/inference aparatının prosessor/GPU modelini açıq şəkildə göstərmir. Bunlar Verianla tərəfindən tamamlanmamışdır.

Niyə augmentation məhdud saxlanıldı?

Tədqiqatçılar təsnifatın yüngül bozumtul rəng dəyişikliyi, lokal miselyum, səth teksturası və RGB/LAB rəng məlumatındakı kiçik dəyişikliklərdən asılı olduğunu bildirirlər. Güclü həndəsi və ya rəng əsaslı augmentation əməliyyatlarının bu bioloji əlamətləri süni şəkildə dəyişdirə biləcəyi düşüncəsi ilə təlim artırımı yalnız random horizontal flip ilə məhdudlaşdırılmışdır.

Bunun müqabilində məlumat müxtəlifliyinin məhdud qalmasının xüsusilə yeni görüntüləmə şəraitində model dayanıqlığını azalda biləcəyi də tədqiqatda məhdudiyyət kimi müzakirə olunur.

Grad-CAM Bu Tədqiqatda Nəyi Göstərir və Nəyi Sübut Etmir?

Grad-CAM, CNN qərarına hansı görüntü sahələrinin daha çox töhfə verdiyini rəngli saliency paylanmaları ilə vizuallaşdırmaq üçün istifadə edilmişdir; ROI-aware Pipeline II aktivliyi meyvə sahəsində daha çox cəmləşdirmişdir, lakin mənbə açıq şəkildə bu məkan uyğunluğunun infeksiyanın həqiqi səbəbli yerini və ya model izahının düzgünlüyünü qəti şəkildə sübut etmədiyini bildirir.

Grad-CAM nədir?

Gradient-weighted Class Activation Mapping (Grad-CAM), müəyyən sinif proqnozunda CNN-in yüksək səviyyəli xüsusiyyət xəritələrinin hansı məkan sahələrinin daha təsirli olduğunu göstərməyə çalışan post hoc izah edilə bilənlik texnikasıdır. Tədqiqat Grad-CAM-in əsas törəmə tənliyini yenidən vermir; onun yaratdığı aktivləşmə xəritələrinin ROI ilə məkan əlaqəsini ayrıca müəyyən edilmiş metrikalarla qiymətləndirir.

Tənlik 2: Accuracy

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

TP_c, c sinfindəki doğru müsbət proqnozların sayı; C sinif sayıdır və bu tədqiqatda C=4-dür. N, qiymətləndirilən ümumi görüntü sayıdır.

Accuracy bütün doğru təsnifatların bütün nümunələrə nisbətidir. Lakin siniflər balanssız olduqda təkcə accuracy kiçik siniflərdəki performansı kifayət qədər göstərməyə bilər.

Tənlik 3: Precision

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

FP_c, əslində başqa sinfə aid olduğu halda c sinfi kimi proqnozlaşdırılan yanlış müsbət nümunələrdir. Precision model “bu görüntü c sinfidir” dedikdə bu qərarların nə qədərinin doğru olduğunu ifadə edir.

Tənlik 4: Recall

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

FN_c, əslində c sinfinə aid olduğu halda modelin başqa sinfə göndərdiyi yanlış mənfi nümunələrdir. Recall və ya sensitivity həqiqi c sinfi nümunələrinin nə qədərinin tutulduğunu göstərir.

Tənlik 5: F1-score

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

F1-score precision və recall-un harmonik ortasıdır. Metrika iki ölçüdən yalnız birinin yüksək olmasını kifayət hesab etmir; balanssız precision–recall davranışını cəzalandırır.

Tənlik 6: Makro orta

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

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

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

Makro ortalamada dörd sinfin hər biri eyni çəkiyə malikdir. Level 2-nin 447 görüntüsü, Level 4-ün 95 görüntüsü olsa da, makro metrikada Level 2 sadəcə daha çox nümunəyə malik olduğu üçün daha çox çəki qazanmır.

Tənlik 7: Macro AUC

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

Çoxsinifli problemdə hər sinif üçün one-vs-rest ROC əyrisi qurulur və müvafiq AUC dəyərləri bərabər çəki ilə ortalanır. AUC konkret tək qərar həddindən asılı olmadan siniflərin ayrılma qabiliyyətini qiymətləndirir.

Tənlik 8: Outside-ROI ratio

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

A(p), p pikselindəki CAM aktivliyidir. Surət meyvə ROI-sindən kənarda qalan CAM aktivliklərinin cəmidir; məxrəc bütün görüntüdəki ümumi CAM aktivliyidir.

Bu nisbət azaldıqda model saliency-sinin daha kiçik hissəsi fona daşır. Pipeline II-də seçilmiş dörd CNN-in hamısında bu dəyər azalmışdır.

Tənlik 9: ROI daxilində entropy

Əvvəlcə CAM aktivliyi ROI daxilində normallaşdırılır:

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

Ardınca:

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

Entropy ROI daxilində aktivliyin nə qədər yayılmış və ya cəmləşmiş olduğunu ölçür. Daha aşağı entropy saliency-nin daha az dağınıq və məkan baxımından daha çox cəmləşmiş olduğu quruluşa uyğundur. Mənbə loqarifmin əsasını ayrıca göstərmir.

Tənlik 10: CAM area ≥ 0.5

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

Surət normallaşdırılmış CAM intensivliyi ən az 0,5 olan ROI piksellərinin sayı, məxrəc isə ümumi ROI piksel sayıdır. Beləliklə yüksək aktivlikli sahənin ROI daxilində nisbi böyüklüyü hesablanır.

Mənbə göstərim qeydi: Tənlik bu dəyəri 0–1 nisbəti kimi müəyyən etdiyi halda Cədvəl 3 sütun başlığında “%” işarəsi istifadə edilmiş və dəyərlər 0,17–0,77 kimi onluq formada verilmişdir. Mənbə bu miqyas təqdimatını ayrıca açıqlamadığı üçün Verianla dəyərləri səssizcə 17 və ya 77 kimi faizlərə çevirmir.

Tənlik 11: Drop@20% Δ

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

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

Hər test görüntüsündə ROI daxilində Grad-CAM-in ən yüksək vurğuladığı %20-lik sahə maskalanır və doğru sinfə aid proqnoz ehtimalının nə qədər azaldığı ölçülür. Eyni əməliyyat eyni ölçüdə təsadüfi seçilmiş ROI sahəsi üçün təkrarlanır.

Müsbət Drop@20% Δ CAM tərəfindən vurğulanan sahənin maskalanmasının təsadüfi sahə maskalanmasına nisbətən model inamını daha çox azaltdığını göstərir. Bununla belə, mənbə bu metrikanı səbəbli izahın qəti sübutu kimi deyil, model proqnoz həssaslığı haqqında tamamlayıcı göstərici kimi şərh edir.

Tənlik 12: FPS

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

N_images, test zamanı təsnif edilən görüntü sayı; T_inference isə bu görüntülərin forward-pass müddətidir və saniyə ilə ölçülür.

FPS yüksəldikcə model eyni aparat şəraitində saniyədə daha çox görüntü emal edə bilir. Lakin məqalə FPS ölçməsinin eyni aparat şəraitində aparıldığını bildirsə də istifadə olunan prosessor və ya GPU modelini göstərmir. Buna görə başqa sistemdə eyni FPS dəyərinin alınacağı fərz edilə bilməz.

Tədqiqatın Metodu və Nəticələri

Statistik analiz

Fizioloji ölçmələr və görüntüdən əldə edilən infeksiya nisbəti tam təsadüfi dizayn altında analiz edilmişdir. Sərtlik, tənəffüs, etilen və infeksiya nisbəti üçün bir istiqamətli dispersiya analizi (one-way ANOVA), sonra Tukey honestly significant difference (HSD) çoxsaylı müqayisə testi tətbiq edilmişdir.

Əhəmiyyətlilik həddi p<0,05-dir. Statistik analiz IBM SPSS Statistics 21 ilə aparılmışdır.

Fizioloji nəticələr və infeksiya nisbəti orta ± standart xəta (SE) şəklində verilmişdir. Üç müstəqil meyvə-səviyyəli split-dən hesablanan model performans və CAM metrikaları isə orta ± standart sapma (SD) formasındadır.

Mənbə Pipeline I və Pipeline II model metrikaları arasında ayrıca inferensial p-dəyəri testi bildirmir. Buna görə model performansındakı fərqlər “statistik olaraq əhəmiyyətli yaxşılaşma” kimi yenidən etiketlənməmişdir.

Doqquz arxitekturanın təsnifat nəticələri

Pipeline II altında ən yüksək accuracy dəyərini EfficientNet-B0, ResNet-50 və ShuffleNet-V2 bölüşmüşdür: üç model də %90,3 dəqiqlik əldə etmişdir. Buna baxmayaraq digər metrikaları eyni deyil. EfficientNet-B0 üçün precision %93,7, recall %91,8 və F1 %92,1 olduğu halda ShuffleNet-V2 üçün bu dəyərlər müvafiq olaraq %92,1, %92,3 və %92,1-dir.

ResNet-50 daha dərin şəbəkə olsa da accuracy baxımından EfficientNet-B0 və ShuffleNet-V2-ni keçməmişdir. Bu nəticə bu məlumat dəstində daha çox şəbəkə dərinliyinin avtomatik olaraq daha yüksək dəqiqlik vermədiyini göstərir; lakin bütün görüntü təsnifatı tapşırıqlarına ümumiləşdirilə bilməz.

MNASNet1_0 Pipeline II-də yaxşılaşmamış, accuracy %55,9-dan %50,3-ə düşmüşdür. Bu da ROI-aware emalın arxitekturadan asılı olmayaraq hər modeli yaxşılaşdıran universal üsul olmadığını açıq göstərir.

CNN və Vision Transformer nəticəsi necə şərh edildi?

Mənbədə CNN əsaslı modellərin bu məlumat dəstində ViT-Base və ViT-Large-dan daha güclü performans göstərdiyi bildirilmişdir. Müəlliflər bunun görünən lezyonların lokal rəng və tekstura strukturları ehtiva etməsi, CNN-lərin güclü yerli inductive bias-a malik olması və məlumat dəstinin nisbətən kiçik olması ilə əlaqəli ola biləcəyini müzakirə edirlər.

Bu izah tədqiqat müəlliflərinin şərhidir. Tədqiqat “CNN hər kənd təsərrüfatı görüntü tapşırığında Vision Transformer-dan üstündür” nəticəsini dəstəkləmir.

Macro AUC müqayisəsi

Seçilmiş dörd CNN-də Pipeline II ilə macro AUC yüksəlmişdir. Mənbənin Cədvəl 3-də verdiyi dəyərlər belədir:

Mənbə ROC qrafikində eyni böyüklüklər təxminən 0,95, 0,98 kimi 0–1 AUC miqyasında göstərildiyi halda Cədvəl 3 dəyərləri 94,89 və 98,13 şəklində verilmişdir. Bu iki təqdimat faiz/onluq miqyas çevrilməsi ilə uyğundur; lakin Cədvəl 3-ün AUC sütun başlığında açıq “%” işarəsi olmadığı üçün Verianla cədvəl dəyərlərini mənbə formasında saxlayır.

Grad-CAM kəmiyyət nəticələri

Ən ardıcıl nəticə outside-ROI ratio-dadır. Pipeline II-də dörd modelin hamısında bu dəyər azalmışdır. ResNet-18-də 0,77-dən 0,59-a; ResNet-50-də 0,78-dən 0,48-ə; EfficientNet-B0-da 0,71-dən 0,32-yə; ShuffleNet-V2-də 0,51-dən 0,26-ya düşmüşdür. Bu, model aktivliyinin fondan meyvə sahəsinə daha çox məhdudlaşdığını dəstəkləyir.

ROI entropy də dörd arxitekturanın hamısında azalmış, yüksək intensivlikli CAM sahəsi daha kompakt olmuşdur. Lakin Drop@20% Δ eyni istiqamətdə dəyişməmişdir. ShuffleNet-V2 mənfidən müsbətə keçdiyi halda ResNet-50 müsbət qalmış, lakin kiçilmiş; ResNet-18 daha mənfi olmuş və EfficientNet-B0 müsbətdən mənfiyə keçmişdir.

Buna görə tədqiqat Pipeline II-nin model diqqətinin məkan mövqeyini daha ardıcıl hala gəldiyini güclü şəkildə dəstəkləyir; lakin izah edilə bilənliyin hər tərəfinin və hər arxitekturadakı səbəbli əhəmiyyət ölçüsünün eyni dərəcədə yaxşılaşdığını dəstəkləmir.

Inference sürəti

ShuffleNet-V2 hər iki pipeline-da ən yüksək FPS dəyərini vermişdir: Pipeline I üçün 21,48 ± 0,92 FPS, Pipeline II üçün 21,43 ± 0,30 FPS. ResNet-50 isə müvafiq olaraq 11,44 ± 0,27 və 12,31 ± 0,06 FPS ilə ən yavaş modeldir.

Pipeline II ROI segmentasiyası əlavə etməsinə baxmayaraq seçilmiş CNN-lərdə inference throughput-da böyük cəza yaratmamışdır. Bununla belə, məqalə istifadə olunan aparat modelini bildirmədiyinə görə bu FPS dəyərlərinin başqa avadanlıqda birbaşa təkrar əldə ediləcəyi fərz edilə bilməz.

Niyə erkən səviyyələr daha çətindir?

Mənbənin sinif əsaslı analizinə görə Level 3 və Level 4 kimi irəliləmiş infeksiya səviyyələri yaxşı performans göstərən CNN-lər tərəfindən daha asan ayrılmışdır. Bunun səbəbi bu səviyyələrdə miselyum inkişafı, aydın rəng dəyişikliyi və toxuma çökməsi kimi güclü vizual əlamətlərin yaranmasıdır.

Level 1 ilə Level 2 arasındakı fərq isə daha çətindir. Level 1 görünən lezyonu olmayan inokulyasiya edilmiş meyvələrdən, Level 2 isə yalnız yüngül bozumtul rəng dəyişikliyindən ibarətdir. Təbii meyvə səthi rəngi, işıqlandırma fərqləri və çox erkən simptomlar bu iki kateqoriyanın görünüşlərinin üst-üstə düşməsinə səbəb ola bilər.

Müəlliflər həmçinin Level 3–4 kimi irəliləmiş çürümə səviyyələrinin insan tərəfindən artıq asan görülə bilməsi səbəbilə bu irəli sinifləri avtomatik ayırmağın praktik dəyərinin ehtiyatla şərh edilməli olduğunu bildirirlər. Tədqiqatın daha mühüm gələcək hədəfi erkən və asimptomatik infeksiyanın etibarlı şəkildə ayrılmasıdır.

Fiziologiya ilə süni intellekt arasındakı əlaqə

Görünən infeksiya irəliləməsi meyvənin yumşalması, tənəffüs aktivliyində dəyişiklik və gec mərhələdə etilen istehsalı ilə birlikdə görülmüşdür. Grad-CAM aktivlikləri də nümunələrin çoxunda görünən rəng dəyişikliyi, yumşalma və ya miselyumla əlaqəli sahələrlə məkan uyğunluğu göstərmişdir.

Lakin bu əlaqə birbaşa fizioloji doğrulama deyil. CNN-in müəyyən görüntü sahəsinə diqqət yetirməsi həmin sahənin müəyyən etilen konsentrasiyasına və ya tənəffüs sürətinə birbaşa uyğun gəldiyini göstərmir. Fizioloji ölçmələr səviyyə üzrə post hoc xarakterizasiya təmin edir.

RGB/LAB yanaşmasının tətbiqi mənası

Tədqiqat standart rəqəmsal RGB görüntülərinin hyperspectral sistemlərlə müqayisədə daha sadə və aşağı xərcli görüntüləmə yanaşması verə biləcəyini müzakirə edir. Lakin bu tədqiqat RGB/LAB sistemi ilə hyperspectral sistemi eyni nümunələrdə birbaşa xərc və ya performans baxımından müqayisə edən eksperiment deyil.

Buna görə “RGB üsulu hyperspectral görüntüləmədən üstündür” nəticəsi çıxarıla bilməz. Mənbənin dəstəklədiyi daha dar nəticə standartlaşdırılmış nəzarətli görüntüləmə mühitində ROI-aware RGB/LAB yanaşmasının görünən infeksiya səviyyələrini təsnif etməkdə faydalı nəticələr verdiyidir.

Tədqiqatın dəstəklədiyi nəticələr

• ‘Haegeum’ kivisində görünən B. cinerea infeksiya irəliləməsini meyvə yumşalması, tənəffüs dəyişikliyi və irəli səviyyələrdə etilen istehsalı müşayiət etmişdir.
• ROI-aware ilkin emal seçilmiş CNN modellərində fondan qaynaqlanan Grad-CAM aktivliyini azaltmışdır.
• EfficientNet-B0, ResNet-50 və ShuffleNet-V2 Pipeline II-də %90,3 accuracy əldə etmişdir.
• ROI-aware yanaşma bütün arxitekturalarda eyni performans artımı təmin etməmişdir.
• Yüngül və erkən görünən səviyyələrin ayrılması irəli infeksiya səviyyələrinə nisbətən daha çətindir.
• ShuffleNet-V2 yüksək accuracy ilə yanaşı seçilmiş dörd model arasında ən yüksək inference sürətini vermişdir.

Tədqiqatın dəstəkləmədiyi nəticələr

• Modelin həqiqi latent və ya asimptomatik infeksiyanı etibarlı şəkildə aşkar etdiyi göstərilməmişdir.
• Level 1 həqiqi inokulyasiya edilməmiş sağlam nəzarət deyil.
• Görüntüdən hesablanan infeksiya nisbəti manual lezyon ground-truth-u kimi müstəqil şəkildə doğrulanmamışdır.
• Grad-CAM-in göstərdiyi sahələr infeksiyanın səbəbli bioloji ocağı kimi doğrulanmamışdır.
• Pipeline II-nin hər modeli və hər izah edilə bilənlik metrikasını yaxşılaşdırdığı göstərilməmişdir.
• Nəzarətli laboratoriya performansının fərqli bağlarda, məhsul yığım mövsümlərində, kameralarla və ya kommersiya qablaşdırma xətlərində eynilə qorunacağı göstərilməmişdir.
• Bu tədqiqat hyperspectral görüntüləməyə qarşı birbaşa üstünlük eksperimenti deyil.

Əsas məhdudiyyətlər

Mock nəzarətin olmaması: Ayrı inokulyasiya edilməmiş sağlam qrup yoxdur. Buna görə Level 1 yalnız “görünən lezyonsuz inokulyasiya edilmiş meyvə” kimi şərh edilməlidir.

Nəzarətli görüntüləmə: RGB/LAB eşikləri standartlaşdırılmış işıqlandırmada hazırlanmışdır. Xarici mühit, fərqli kamera, fərqli məhsul yığım mövsümü və ya kommersiya müəssisəsi şəraitində eşiklər yenidən doğrulanmalıdır.

Lezyon ground-truth-u: Görüntü mənşəli infeksiya nisbəti manual mütəxəssis lezyon annotasiyalarına qarşı müstəqil şəkildə doğrulanmamışdır.

Məlumat dəstinin ölçüsü və balanssızlığı: 959 görüntünün 447-si Level 2 olduğu halda yalnız 95-i Level 4-dür. Makro metrikalar bu balanssızlığın qiymətləndirməyə təsirini azaltmağa kömək etsə də daha geniş məlumat dəstləri tələb olunur.

Məhdud augmentation: Yalnız horizontal flip istifadəsi bioloji rəng və lezyon xüsusiyyətlərini qoruyarkən görüntü şəraiti müxtəlifliyini məhdudlaşdırmış ola bilər.

Üç split: Grad-CAM və model müqayisə metrikaları yalnız üç müstəqil meyvə-səviyyəli split üzrə ümumiləşdirilmişdir. Buna görə müəlliflər xüsusilə saliency və deletion metrikalarını istiqamətverici tamamlayıcı göstəricilər kimi şərh edirlər.

Çatışmayan təkrar istehsal detalları: Batch size, loss funksiyasının açıq adı və istifadə olunan inference aparat modeli bildirilmemişdir.

Təbii infeksiyanın doğrulanması: Tədqiqat süni inokulyasiya ilə nəzarətli şəraitdə aparılmışdır. Təbii şəkildə yoluxmuş kommersiya meyvələrində xarici doğrulama aparılmamışdır.

Gələcək tədqiqat istiqamətləri

Müəlliflər üsulun manual lezyon annotasiyalarına, müxtəlif məhsul yığım mövsümlərinə, müxtəlif bağ şəraitinə, müxtəlif görüntüləmə mühitlərinə və təbii yoluxmuş meyvələrə qarşı doğrulanmasını tövsiyə edirlər.

Xüsusilə mock-inokulyasiya olunmuş sağlam meyvələrin, təbii sağlam meyvələrin və təbii yoluxmuş meyvələrin eyni məlumat dəstində olması; Level 1, Level 2 və həqiqi pre-simptomatik infeksiya arasındakı fərqin qiymətləndirilməsi üçün lazımdır.

Gələcəkdə simptomları pozmayan augmentation üsullarının, daha geniş məlumat dəstlərinin və kommersiya saxlama/paylama şəraitinin istifadəsi modelin ümumiləşdirilə bilməsini qiymətləndirmək baxımından vacibdir.

Mənbə və Metod Qeydi

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

Türkcə nəşr başlığı: Məhsul Yığımından Sonra ‘Haegeum’ Kivisində Botrytis cinerea İnfeksiya İrəliləməsinin Şərh Edilə Bilən Dərin Öyrənmə İstifadə Edilərək Fizioloji və Görüntü Əsaslı Xarakterizasiyası

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

Bərabər töhfə: Joonggon Kim və Sang-Yeon Kim bərabər töhfəli müəlliflər kimi göstərilmişdir.

Məsul müəllif: Eun Jin Lee.

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

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

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

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

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

Jurnal: Frontiers in Plant Science.

Bölmə: Technical Advances in Plant Science.

Cild / məqalə no: Volume 17, Article 1894572.

DOI: 10.3389/fpls.2026.1894572.

Məqalə növü: Original Research.

Göndərilmə tarixi: 29 May 2026.

Reviziya tarixi: 2 İyul 2026.

Qəbul tarixi: 6 İyul 2026.

Nəşr tarixi: 27 İyul 2026.

Hakemlik: Hakemli nəşrdir. Rəsmi Frontiers qeydində redaktor Orly Enrique Apolo-Apolo; rəyçilər Mónica Pineda, Mahmoud Okasha və Jairo Camilo Quijano Pérez kimi göstərilir.

Lisenziya: Creative Commons Attribution License (CC BY). Uyğun istinad verildikdə istifadə, yayım və yenidən istehsala icazə verilir.

Tədqiqat növü: Nəzarətli məhsul yığımından sonrakı meyvə inokulyasiya eksperimenti, fizioloji xarakterizasiya və dərin öyrənmə əsaslı RGB görüntü təsnifatını birləşdirən eksperimental tədqiqat.

Bitki materialı: Qızılı ətli ‘Haegeum’ kivi, Actinidia chinensis var. chinensis.

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

Eksperimental nümunə: 240 meyvə; səkkiz zaman nöqtəsi; hər zaman nöqtəsinə 30 meyvə.

İnokulum: 3 × 10⁸ spor L⁻¹; hər meyvəyə 10 µL, təxminən 3 × 10³ spor.

İnkubasiya: 20 °C, %80–85 nisbi rütubət, qaranlıq, 14 gün.

Görüntüləmə: Hər meyvəyə altı RGB görünüş; ümumilikdə 1.440 xam görüntü, keyfiyyət nəzarətindən sonra 959 görüntü.

Model sinifləri: Dörd görünən infeksiya səviyyəsi.

Nəzarət məhdudiyyəti: Ayrı mock-inokulyasiya olunmuş sağlam meyvə qrupu yoxdur. Level 1 spor tətbiq edilmiş, lakin görünən lezyon göstərməyən meyvələrdən ibarətdir.

İlk yoxlanan arxitekturalar: ResNet-18, ResNet-50, EfficientNet-B0, ShuffleNet-V2, MobileNet-V2, MNASNet1_0, GoogLeNet, ViT-Base və ViT-Large.

Cütləşdirilmiş ətraflı müqayisəyə daxil edilən modellər: ResNet-18, ResNet-50, EfficientNet-B0 və ShuffleNet-V2.

Transfer learning: ImageNet əvvəlcədən təlim keçmiş çəkilər.

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

Təlim: 30 epoch; ilk 5 epoch xətti learning-rate warm-up.

Məlumat bölgüsü: Meyvə səviyyəsində %70 train, %15 validation və %15 test; üç müstəqil təsadüfi split.

Augmentation: Random horizontal flipping. Class-weighted loss və ya resampling tətbiq edilməmişdir.

Mənbədə açıq şəkildə bildirilməyən model detalları: Batch size, loss funksiyasının açıq adı, təlim/inference aparat modeli və random seed dəyərləri.

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

Fizioloji məlumat təqdimatı: Orta ± SE.

Model/CAM performans təqdimatı: Üç müstəqil split üzrə orta ± SD.

Fizioloji nümunələmə: Sərtlik üçün hər səviyyəyə 15 bioloji təkrar; tənəffüs və etilen üçün beş qablıq bioloji təkrar, hər qabda iki meyvə.

Əsas model nəticəsi: Pipeline II-də EfficientNet-B0, ResNet-50 və ShuffleNet-V2 %90,3 accuracy; ResNet-18 %87,6 accuracy.

Əsas izah edilə bilənlik nəticəsi: ROI-aware ilkin emal seçilmiş dörd CNN-in hamısında outside-ROI saliency nisbətini azaltmış və model aktivliyini meyvə sahəsi daxilində daha çox məhdudlaşdırmışdır. Drop@20% Δ yaxşılaşması isə modeldən asılıdır.

Formullar: Mənbə 12 tənlik verir: infeksiya nisbəti, accuracy, precision, recall, F1, makro ortalamalar, macro AUC, outside-ROI ratio, ROI entropy, CAM area ≥0,5, Drop@20% Δ və FPS.

Mənbədaxili miqyas göstərimi qeydi: ROC qrafikləri AUC-ni 0–1 aralığında göstərdiyi halda Cədvəl 3 AUCmacro dəyərlərini 94,89–98,13 kimi təqdim edir. Tənlik 10 CAM sahəsini nisbət kimi verdiyi halda Cədvəl 3 başlığında faiz işarəsi vardır. Verianla bu göstərimləri mənbədə olmadığı şəkildə səssizcə yenidən miqyaslandırmamışdır.

Məlumat əlçatanlığı: Tədqiqatın orijinal töhfələrinin məqalə və Supplementary Material daxilində olduğu, əlavə sualların corresponding author-a yönəldilə biləcəyi bildirilmişdir.

Maliyyələşdirmə: 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 tərəfindən maliyyələşdirilmişdir. Qrant no: RS-2024-00398300.

Maraq toqquşması: Müəlliflər tədqiqatın potensial maraq toqquşması yarada biləcək kommersiya və ya maliyyə münasibətləri olmadan aparıldığını bəyan etmişlər.

Generativ AI bəyanatı: Müəlliflər məqalənin hazırlanmasında generativ süni intellekt istifadə etmədiklərini bildirmişlər. Frontiers həmçinin şəkillərin alternativ mətnlərinin AI dəstəyi ilə hazırlanmış ola biləcəyini və mümkün olduqda müəlliflər tərəfindən nəzərdən keçirildiyini bildirir.

Müəllif töhfələri: 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.

Əsas metodoloji məhdudiyyətlər: Ayrı sağlam mock nəzarətin olmaması; siniflərin görünən simptom əsaslı olması; erkən/asimptomatik infeksiyanın müstəqil doğrulanmaması; RGB/LAB eşiklərinin standart işıqlandırmaya əsaslanması; infeksiya nisbətinin manual lezyon annotasiyasına qarşı doğrulanmamış olması; məhdud və balanssız görüntü məlumat dəsti; yalnız üç müstəqil split; məhdud augmentation; təbii infeksiya və xarici sahə doğrulamasının olmaması.

Mənbə görüntüləri: Mənbə Şəkil 1 dörd həqiqi görünən infeksiya mərhələsini; Şəkil 2 Pipeline I və Pipeline II metod axınını; Şəkil 3 çoxsinifli ROC əyrilərini; Şəkil 4 eyni meyvələrdə Pipeline I və II Grad-CAM fərqini; Şəkil 5 dörd CNN backbone-dakı Grad-CAM paylanmalarını göstərir.

Vizual yenidənqurma məhdudiyyəti: Mənbə meyvə fotoşəkilləri və Grad-CAM raster xəritələri süni görüntülərlə təqlid edilməmişdir. Görünən infeksiya səviyyələri və metod pipeline-ı miqyassız müstəqil SVG sxemləri ilə təqdim edilmişdir. ROC xam koordinatları mənbədə cədvəl kimi verilmədiyindən saxta ROC nöqtələri yaradılmamışdır.