The increasing popularity of Artificial Intelligence in recent years has led to a surge in interest in image classification, especially in the agricultural sector. With the help of Computer Vision, Machine Learning, and Deep Learning, the sector has undergone a significant transformation, leading to the development of new techniques for crop classification in the field. Despite the extensive research on various image classification techniques, most have limitations such as low accuracy, limited use of data, and a lack of reporting model size and prediction. The most significant limitation of all is the need for model explainability. This research evaluates four different approaches for crop classification, namely traditional ML with handcrafted feature extraction methods like SIFT, ORB, and Color Histogram; Custom Designed CNN and established DL architecture like AlexNet; transfer learning on five models pre-trained using ImageNet such as EfficientNetV2, ResNet152V2, Xception, Inception-ResNetV2, MobileNetV3; and cutting-edge foundation models like YOLOv8 and DINOv2, a self-supervised Vision Transformer Model. All models performed well, but Xception outperformed all of them in terms of generalization, achieving 98% accuracy on the test data, with a model size of 80.03 MB and a prediction time of 0.0633 seconds. A key aspect of this research was the application of Explainable AI to provide the explainability of all the models. This journal presents the explainability of Xception model with LIME, SHAP, and GradCAM, ensuring transparency and trustworthiness in the models' predictions. This study highlights the importance of selecting the right model according to task-specific needs. It also underscores the important role of explainability in deploying AI in agriculture, providing insightful information to help enhance AI-driven crop management strategies.

Bản dịch tiếng Việt:

Sự phổ biến ngày càng tăng của Trí tuệ nhân tạo trong những năm gần đây đã dẫn đến sự quan tâm ngày càng tăng đối với việc phân loại hình ảnh, đặc biệt là trong lĩnh vực nông nghiệp. Với sự trợ giúp của Thị giác máy tính, Học máy và Học sâu, lĩnh vực này đã trải qua một sự chuyển đổi đáng kể, dẫn đến sự phát triển các kỹ thuật mới để phân loại cây trồng trên đồng ruộng. Mặc dù có nghiên cứu sâu rộng về các kỹ thuật phân loại hình ảnh khác nhau, hầu hết đều có những hạn chế như độ chính xác thấp, sử dụng dữ liệu hạn chế và thiếu kích thước và dự đoán mô hình báo cáo. Hạn chế đáng kể nhất là nhu cầu về khả năng giải thích của mô hình. Nghiên cứu này đánh giá bốn cách tiếp cận khác nhau để phân loại cây trồng, đó là ML truyền thống với các phương pháp trích xuất đặc trưng thủ công như SIFT, ORB và Biểu đồ màu; CNN được thiết kế tùy chỉnh và kiến ​​trúc DL được thiết lập như AlexNet; chuyển giao học tập trên 5 mô hình được đào tạo trước sử dụng ImageNet như EfficiencyNetV2, ResNet152V2, Xception, Inception-ResNetV2, MobileNetV3; và các mô hình nền tảng tiên tiến như YOLOv8 và DINOv2, Mô hình Biến áp Tầm nhìn tự giám sát. Tất cả các mô hình đều hoạt động tốt, nhưng Xception vượt trội hơn tất cả chúng về mặt tổng quát, đạt độ chính xác 98% trên dữ liệu thử nghiệm, với kích thước mô hình là 80,03 MB và thời gian dự đoán là 0,0633 giây. Khía cạnh quan trọng của nghiên cứu này là ứng dụng AI có thể giải thích để cung cấp khả năng giải thích cho tất cả các mô hình. Tạp chí này trình bày khả năng giải thích của mô hình Xception với LIME, SHAP và GradCAM, đảm bảo tính minh bạch và độ tin cậy trong dự đoán của mô hình. Nghiên cứu này nhấn mạnh tầm quan trọng của việc lựa chọn mô hình phù hợp theo nhu cầu cụ thể của nhiệm vụ. Nó cũng nhấn mạnh vai trò quan trọng của khả năng giải thích trong việc triển khai AI trong nông nghiệp, cung cấp thông tin sâu sắc để giúp nâng cao các chiến lược quản lý cây trồng dựa trên AI.

Document Ready

Click below to load the full PDF document natively.