编辑推荐：
为解决番茄叶疾病早期检测难题，提高农业生产力，研究人员开展了基于深度学习（DL）的番茄叶疾病分类研究。提出 XLTLDisNet 模型，经训练评估，其总体准确率达 97.24%，还增强了解释性。该研究对农业生产意义重大。
在农业生产的大舞台上，番茄作为全球广泛种植的重要作物，为无数人提供了丰富的营养，也为农民带来了可观的收入。然而，番茄叶疾病却如同潜伏的 “杀手”，严重威胁着番茄的产量和质量。像番茄花叶病毒（ToMV）、番茄黄化曲叶病毒（TYLCV） ，以及真菌引起的早疫病、晚疫病等，这些疾病一旦爆发，会导致番茄叶片变色、卷曲、出现病斑，甚至枯萎死亡，让农民们的辛勤劳作付诸东流。传统的疾病检测方法往往依赖人工经验，不仅效率低，而且准确性难以保证。在这样的背景下，为了实现番茄叶疾病的早期精准检测，减少农业损失，来自美国国际大学 - 孟加拉国（American International University-Bangladesh）等机构的研究人员展开了深入研究，相关成果发表在《Heliyon》上。
研究人员采用了多种关键技术方法。他们选用了公开的 PlantVillage 番茄叶疾病数据集，该数据集包含 16,011 张番茄叶图像，被分为十个类别，代表不同的疾病或健康状况 。在数据处理阶段，对图像进行了预处理，包括调整大小至 128×128 像素、归一化处理，还运用数据增强技术扩充数据集。模型构建方面，提出了可解释的轻量级番茄叶疾病网络（XLTLDisNet） ，其由多个卷积层、批归一化层、池化层等组成。最后，使用准确率、精确率、召回率和 F1 分数等指标来评估模型性能。
下面来看看具体的研究结果：
- 定量分析：研究人员将 XLTLDisNet 模型与 AlexNet、DenseNet 等多个模型进行对比。通过对训练和验证准确率、损失的分析发现，XLTLDisNet 模型训练准确率高达 99.95%，验证准确率为 97.50%，测试准确率达 97.24% 。在各类指标上，该模型表现出色，宏观平均和加权平均分数均为 97%，且训练参数比 VGG16、VGG19 等模型少，训练时间也更短。虽然推理时间为 302ms / 步，比 AlexNet 的 74ms / 步慢，但在参数效率和训练性能之间达到了较好的平衡。
- 定性分析：利用梯度加权类激活映射（GRAD-CAM）技术，发现模型能聚焦于叶片的病变部位，对于健康叶片则关注整个叶片。不过，由于部分疾病造成的损害相似，以及图像背景中叶片阴影的干扰，模型存在一些误分类情况。此外，通过局部可解释模型无关解释（LIME）技术，观察到模型在预测时大多聚焦于患病叶片区域，但仍有改进空间。
- Web 部署：为了帮助农民更好地诊断番茄叶疾病，研究人员将模型部署到网络应用程序中。农民只需上传番茄叶图像，就能快速获得诊断结果。但在部署过程中，遇到了寻找免费托管服务器的难题，最终选择了 Vercel 进行免费部署，未来计划迁移到 AWS 或谷歌云以提升性能。
在研究结论与讨论部分，XLTLDisNet 模型在番茄叶疾病分类上表现优异，相比其他模型在精度、F1 分数等指标上更具优势，还通过 GRAD-CAM 和 LIME 技术增强了解释性。然而，研究也存在一些局限性，如数据集中存在类不平衡问题，部分疾病因图像背景干扰导致误分类。后续研究计划测试更多样化的数据集，开发移动应用程序，探索将分数阶微积分集成到模型中，以进一步提升模型性能和可解释性。同时，研究中还存在一些伦理问题，如农民过度依赖模型预测可能忽视传统知识，公开数据集的局限性可能导致模型存在偏差。总的来说，这项研究为番茄叶疾病的检测提供了新的有效方法，尽管还有待完善，但为农业疾病防控领域开辟了新的道路，具有重要的理论和实践意义。
