融合可解释深度学习集成与大语言模型推荐的植物叶片病害实时诊断方法研究

《Intelligent Systems with Applications》：Fusing explainable deep learning ensembles and LLM recommendations for real-time plant leaf disease diagnosis

本研究针对植物叶片病害传统检测方法效率低、误差大的问题，开展了基于深度学习集成与大语言模型（LLM）的实时诊断系统研究。通过构建融合MobileNetV3、GoogleNet和ConvNeXtSmall的堆叠集成模型，结合CatBoost元学习器与灰度共生矩阵（GLCM）特征提取，在L1和L2数据集上分别达到99%和92%的准确率，并开发了具备治疗建议功能的LeafCureX-LLM实时系统。该成果为农业病害智能诊断提供了高精度、可解释的解决方案，对保障粮食安全具有重要意义。

　　

在全球人口持续增长和气候变化加剧的背景下，农业生产面临着确保粮食安全的巨大压力。然而，植物叶片病害作为制约农作物产量的主要因素之一，每年导致全球农业损失高达数十亿美元。传统依赖人工肉眼观察的病害诊断方法不仅效率低下，且易受主观经验影响，难以实现早期精准防控。尽管计算机视觉和深度学习技术近年来在植物病害识别领域展现出潜力，但单一模型往往存在泛化能力不足、计算成本高、缺乏决策解释性等问题，限制了其在实际农业生产中的推广应用。

为解决上述挑战，孟加拉斯坦福大学 Bangladesh 的研究团队在《Intelligent Systems with Applications》发表了一项创新性研究，提出了一种融合可解释深度学习集成与大语言模型（LLM）的植物叶片病害实时诊断框架。该研究通过整合多尺度特征提取、轻量化网络设计和智能决策解释技术，实现了对复杂田间环境下叶片病害的高精度识别与治疗建议生成。

研究团队首先构建了包含L1（12,643张图像，21种病害）和L2（PlantVillage数据集子集，20,639张图像）的多样化数据集，涵盖苦瓜、黄瓜、番茄等常见作物的典型病害。关键技术方法包括：①采用灰度共生矩阵（GLCM）提取叶片纹理特征；②改进的MobileNetV3、GoogleNet和ConvNeXtSmall作为基础模型，分别负责轻量化推理、多尺度特征捕获和高级特征表示；③使用CatBoost作为堆叠集成（Stacking Ensemble）的元学习器，优化模型间非线性关系；④集成Grad-CAM、LIME和SHAP等可解释AI（XAI）技术提供决策依据；⑤通过OpenRouter API接入LLM生成治疗建议，并开发基于Flask的Web实时系统LeafCureX-LLM。

4.2 结果分析

在L1数据集上，集成模型准确率达99%，精确率、召回率和F1-score分别为99%、98%和99%，显著优于单一模型（MobileNetV3为93%，EfficientNetV2B0为98%）。对L2数据集的测试显示模型具备跨数据集泛化能力（准确率92%），但性能有所下降，揭示了复杂背景图像的识别挑战。混淆矩阵表明模型对形态相似病害（如葫芦科白粉病与炭疽病）仍存在误判，但较基线模型错误率降低50%以上。

4.3 综合研究分析

与7项前沿研究对比显示，本研究的集成模型在多项指标上领先。例如，较Rashid等人（2025）的黄瓜病害识别系统提升0.5%的F1-score，且新增了LLM交互功能。模型计算复杂度分析表明，其在L1数据集上单图推理时间仅0.0032秒，满足实时部署需求。

4.4 基于LLM的实时系统

开发的LeafCureX-LLM系统在Intel i3设备上实现平均477毫秒的推理速度，支持用户通过自然语言查询获取病害防治方案。测试中LLM对“黄瓜霜霉病治理”等查询能生成具体农药建议（如氯噻啉、嘧菌酯），但存在推荐信息过载问题。

4.5 系统性能评估

XAI可视化结果验证了模型决策合理性：Grad-CAM热力图显示对茄子黄萎病维管束区域的聚焦；SHAP分析表明叶缘纹理特征对苦瓜枯萎病分类贡献度达37%。系统在低光照图像上的误诊率较传统方法降低28%。

本研究通过多模型集成与LLM的协同创新，突破了单一深度学习模型在植物病害诊断中的性能瓶颈。所提出的堆叠集成框架不仅显著提升识别精度（L1数据集99%），还通过XAI技术和实时交互系统增强了实用价值。尽管模型在跨物种泛化和极端环境适应性方面仍需优化，但为智慧农业提供了一种可解释、低延迟的病害诊断范式。未来工作将聚焦于扩大病害样本库、开发边缘计算版本，并探索多模态数据融合策略，进一步推动农业生产的数字化变革。