Evaluation of deep learning models using explainable AI with qualitative and quantitative analysis for rice leaf disease detection
5.5
来源：
Nature
发布时间：
2025-08-29 19:41
摘要：
该研究提出了一种新的三阶段方法，结合传统性能评估与可解释人工智能的定性和定量评估，以提高深度学习模型在水稻叶病检测中的可靠性。研究表明，ResNet50模型在分类性能和特征选择能力方面表现最佳，具有较低的过拟合比率，适合实际应用。
原文：
查看原文
价值分投票
评分标准
新闻价值分采用0-10分制，综合考虑新闻的真实性、重要性、时效性、影响力等多个维度。
评分越高，表示该新闻的价值越大，越值得关注。
价值维度分析
domain_focus
0.0分+不属于医疗健康、生命科学领域
business_impact
0.0分+无商业影响
scientific_rigor
1.0分+有研究论文、专家观点等软性证据
timeliness_innovation
1.5分+突破性技术、首创性成果、重大创新
investment_perspective
2.5分+概念验证、早期研发
market_value_relevance
0.0分+非治疗相关或极小众应用
team_institution_background
0.0分+背景不明
technical_barrier_competition
0.5分+技术壁垒一般、竞争激烈
关键证据
研究提出了一种新的三阶段方法，结合传统性能评估与可解释人工智能的定性和定量评估。
ResNet50模型在分类性能和特征选择能力方面表现最佳。
研究表明，过拟合比率较低，适合实际应用。
真实性检查
否
AI评分总结
该研究提出了一种新的三阶段方法，结合传统性能评估与可解释人工智能的定性和定量评估，以提高深度学习模型在水稻叶病检测中的可靠性。研究表明，ResNet50模型在分类性能和特征选择能力方面表现最佳，具有较低的过拟合比率，适合实际应用。