一种用于可解释黄瓜叶病诊断的轻量级图增强深度学习框架

《Scientific Reports》：A lightweight graph-enhanced deep learning framework for explainable cucumber leaf disease diagnosis

　　

摘要

准确高效地识别黄瓜叶病是减少损失、及时采取措施保障农业生产的关键。然而，目前大多数先进的植物病害识别模型，包括那些基于深度学习的模型，往往无法识别有症状的叶片特征区域之间的空间关联，需要大量的计算资源，且预测的准确性不足。为解决这些问题，本文提出了MobileGraph——一种基于图的深度学习模型，该模型利用MobileNetV3作为轻量级的特征提取器，同时考虑CNN提取的黄瓜叶特征区域的局部纹理模式与空间关联。在包含5个类别、4,000张图像的公开黄瓜叶病数据集上的测试显示，该模型的准确率为99.75%，宏观F1值为99.75%，MCC值为99.69%，性能优于ResNet-152、EfficientNet-B7、DenseNet-201、ConvNeXt和VGG16等几款先进模型，同时其计算成本仅为0.465 GFLOPs，显著更低。通过Grad-CAM和LIME方法进行的可解释性分析表明，该模型会聚焦于植物病损中具有生物学意义的区域。此外，一款原型移动应用也证明了实时诊断黄瓜病害在实际农业监测中的可行性。这些结果表明，MobileGraph为智能作物健康监测提供了一种高效且具有可解释性的解决方案。