ترجمه فارسی مقاله یک ترانسفورماتور بینایی قابل توضیح با یادگیری انتقالی همراه با شناسایی کارآمد تنش خشکسالی مبتنی بر ماشین بردار پشتیبان

چکیده

Early detection of drought stress is critical for taking timely measures for reducing crop loss before the drought impact becomes irreversible. The subtle phenotypical and physiological changes in response to drought stress are captured by non-invasive imaging techniques and these imaging data serve as valuable resource for machine learning methods to identify drought stress. While convolutional neural networks (CNNs) are in wide use, vision transformers (ViTs) present a promising alternative in capturing long-range dependencies and intricate spatial relationships, thereby enhancing the detection of subtle indicators of drought stress. We propose an explainable deep learning pipeline that leverages the power of ViTs for drought stress detection in potato crops using aerial imagery. We applied two distinct approaches: a synergistic combination of ViT and support vector machine (SVM), where ViT extracts intricate spatial features from aerial images, and SVM classifies the crops as stressed or healthy and an end-to-end approach using a dedicated classification layer within ViT to directly detect drought stress. Our key findings explain the ViT model’s decision-making process by visualizing attention maps. These maps highlight the specific spatial features within the aerial images that the ViT model focuses as the drought stress signature. Our findings demonstrate that the proposed methods not only achieve high accuracy in drought stress identification but also shedding light on the diverse subtle plant features associated with drought stress. This offers a robust and interpretable solution for drought stress monitoring for farmers to undertake informed decisions for improved crop management.

چکیده به فارسی (ترجمه ماشینی)

تشخیص زودهنگام استرس خشکسالی برای انجام اقدامات به موقع برای کاهش از دست دادن محصول قبل از اینکه تأثیر خشکسالی غیر قابل برگشت باشد ، بسیار مهم است.تغییرات ظریف فنوتیپی و فیزیولوژیکی در پاسخ به استرس خشکی توسط تکنیک های تصویربرداری غیر تهاجمی ضبط می شود و این داده های تصویربرداری به عنوان منبع ارزشمندی برای روشهای یادگیری ماشین برای شناسایی استرس خشکی خدمت می کنند.در حالی که شبکه های عصبی حلقوی (CNN) در حال استفاده گسترده هستند ، ترانسفورماتورهای بینایی (VITS) جایگزین امیدوارکننده ای در ضبط وابستگی های دوربرد و روابط مکانی پیچیده دارند و از این طریق تشخیص شاخص های ظریف استرس خشکی را تقویت می کنند.ما یک خط لوله یادگیری عمیق قابل توضیح را پیشنهاد می کنیم که از قدرت VITS برای تشخیص تنش خشکی در محصولات سیب زمینی با استفاده از تصاویر هوایی استفاده می کند.ما دو رویکرد متمایز را به کار بردیم: ترکیبی از هم افزایی دستگاه بردار ویتا و وکتور (SVM) ، که در آن عصاره های VIT ویژگی های فضایی پیچیده از تصاویر هوایی و SVM با استفاده از یک طبقه بندی اختصاصی ، محصولات زراعی را به عنوان استرس یا سالم طبقه بندی می کنند و یک رویکرد پایان به پایان می رسند.لایه در VIT برای تشخیص مستقیم استرس خشکی.یافته های کلیدی ما فرایند تصمیم گیری مدل VIT را با تجسم نقشه های توجه توضیح می دهد.این نقشه ها ویژگی های مکانی خاص در تصاویر هوایی را که مدل VIT به عنوان امضای تنش خشکی متمرکز می کند ، برجسته می کند.یافته های ما نشان می دهد که روشهای پیشنهادی نه تنها در شناسایی استرس خشکی به دقت بالایی دست می یابند بلکه باعث می شوند ویژگی های گیاهی ظریف و مرتبط با تنش خشکی نیز روشن شوند.این یک راه حل قوی و قابل تفسیر برای نظارت بر استرس خشکی برای کشاورزان برای انجام تصمیمات آگاهانه برای بهبود مدیریت محصول ارائه می دهد.