Текущий выпуск Номер 4, 2026 Том 18

Все выпуски

[ Switch to English ]

Классификатор на базе оптимизированной архитектуры YOLO11 с применением инструментов CBAM и Grad-CAM для надежной диагностики больных растений

Al.koaerji Ali M. MozanAl.koaerji, Огородникова О.М., Огородников А.И.
 pdf (1774K)

Надежная диагностика болезней растений компьютерным зрением требует не только высокой точности классификации, но и стабильной обобщающей способности и интерпретируемого принятия решений. При этом механизмы внимания безусловно полезны для моделей глубокого обучения, но эффективность решения задачи зависит от места и способа интеграции этих механизмов в архитектуру нейронной сети. В данном исследовании представлен классификатор на базе оптимизированной архитектуры YOLOv11m, а также результаты анализа результатов диагностики болезней растений в зависимости от сверточных блоков CBAM (Convolutional Block Attention Module), внедренных на разных уровнях архитектуры. Выполнен сравнительный анализ трех архитектурных вариантов модели: базовой архитектуры YOLO11m-Cls без механизма внимания, варианта с добавлением CBAM только в магистральную часть backbone и гибридной архитектуры, сочетающей сокращенное внимание в магистральной части backbone с дополнительным блоком CBAM на уровне классификационного слоя head. Все модели были обучены и протестированы в одинаковых экспериментальных условиях с использованием обширного набора данных, содержащего около 90 тысяч изображений 38 типов болезней растений. Экспериментальные результаты ясно показывают, что равномерное внедрение CBAM в магистральную часть backbone снижает устойчивость модели и ухудшает ее способность к обобщению, что проявляется в повышении валидационной функции потерь и понижении точности (Top-1 ≈ 90,5%) по сравнению с базовой архитектурой. Напротив, гибридная архитектура обеспечивает баланс между устойчивостью и способностью детектировать с повышением параметров точности Top-1 до 99,71% и Top-5 до 99,99% на этапе валидации, близким по значениям к параметрам базовой модели. Анализ интерпретируемости на основе метода Grad-CAM также положительно характеризует гибридную модель, которая формирует улучшенные и биологически обоснованные карты активации, четко фокусирующиеся именно на признаках заболевания и практически исключающие отвлечение внимания на фоновые элементы изображения. Важно отметить, что целью данной работы является не достижение наилучшей производительности среди всех классификаторов, а предоставление доказательств на уровне архитектурного проектирования относительно того, каким образом размещение механизма внимания влияет на устойчивость и интерпретируемость в классификационных моделях на базе YOLO. Полученные результаты предоставляют практические рекомендации по проектированию надежных и интерпретируемых систем искусственного интеллекта для агропромышленного сектора.

Ключевые слова: диагностика болезней растений, компьютерное зрение, сверточная нейронная сеть, YOLO11, Convolutional Block Attention Module (CBAM), Explainable Artificial Intelligence (XAI), Grad-CAM
Цитата: Al.koaerji Ali M. MozanAl.koaerji, Огородникова О.М., Огородников А.И. Классификатор на базе оптимизированной архитектуры YOLO11 с применением инструментов CBAM и Grad-CAM для надежной диагностики больных растений // Компьютерные исследования и моделирование, 2026, т. 18, № 4, с. 871-889
Citation in English: Al.koaerji Ali M. MozanM. Mozan, Ogorodnikova O.M., Ogorodnikov A.I. Design-optimized YOLO11 classification via strategic CBAM attention injection and Grad-CAM explainability for reliable plant disease diagnosis // Computer Research and Modeling, 2026, vol. 18, no. 4, pp. 871-889
DOI: 10.20537/2076-7633-2026-18-4-871-889
URL: http://crm.ics.org.ru/journal/article/3750/
Creative Commons License Статья доступна по лицензии Creative Commons Attribution-NoDerivs 3.0 Unported License.

Copyright © 2026 Al.koaerji Ali M. MozanAl.koaerji, Огородникова О.М., Огородников А.И.

Журнал индексируется в Scopus

Полнотекстовая версия журнала доступна также на сайте научной электронной библиотеки eLIBRARY.RU

Журнал входит в систему  Российского индекса научного цитирования.

Журнал включен в базу данных Russian Science Citation Index (RSCI) на платформе Web of Science

Международная Междисциплинарная Конференция "Математика. Компьютер. Образование"

Международная Междисциплинарная Конференция МАТЕМАТИКА. КОМПЬЮТЕР. ОБРАЗОВАНИЕ.

Website Copyright © 2009–2026 Институт компьютерных исследований