Deep Learning verbessert Rizinserkennung und Krankheitsdiagnose

Eine neue Studie aus dem arXiv-Repository präsentiert einen automatisierten Ansatz zur Klassifizierung von fünf Reissorten mithilfe von Convolutional Neural Networks (CNN). Mit einem öffentlich zugänglichen Datensatz von 75.000 Bildern wurde das Modell trainiert und getestet, wobei die Bewertung auf Kennzahlen wie Genauigkeit, Recall, Precision, F1‑Score, ROC‑Kurven und Konfusionsmatrizen erfolgte. Die Ergebnisse zeigen eine sehr hohe Klassifikationsgenauigkeit und nur wenige Fehlklassifikationen, was die Effektivität des Modells bei der Unterscheidung der Reissorten bestätigt.

Darüber hinaus wurde ein präzises Diagnoseverfahren für Blattkrankheiten wie Brown Spot, Blast, Bacterial Blight und Tungro entwickelt. Das System kombiniert erklärbare künstliche Intelligenz (XAI) mit tiefen Lernmodellen, darunter CNN, VGG16, ResNet50 und MobileNetV2. Durch die Anwendung von SHAP (Shapley Additive Explanations) und LIME (Local Interpretable Model‑agnostic Explanations) lassen sich die wichtigsten Merkmale der Körner und Blätter visualisieren, die die Vorhersagen beeinflussen. Diese Transparenz erhöht das Vertrauen in die Modellentscheidungen und unterstützt Landwirte bei der Früherkennung von Krankheiten.

Die Kombination aus hoher Genauigkeit, umfangreicher Datensatzbasis und erklärbarer KI macht diese Lösung zu einem vielversprechenden Werkzeug für die Qualitätskontrolle und Ertragsoptimierung in der Reisproduktion. Sie bietet einen klaren Mehrwert für Produzenten, die ihre Produkte besser überwachen und gleichzeitig die Effizienz ihrer Anbauprozesse steigern möchten.