基于预训练模型与半监督可解释AI的实时槟榔叶病害检测新范式

本研究针对槟榔叶病害检测中标注数据稀缺和模型可解释性不足的问题，创新性地将DenseNet201预训练模型与FixMatch半监督学习框架结合，集成XAI技术实现病灶可视化。实验表明该方法仅需30%标注数据即可达到98%准确率，并开发了实时检测Web应用，为农业智能化提供了低成本高精度的解决方案。

　　

槟榔作为东南亚地区重要的经济作物，其叶片易受真菌性褐斑病、细菌性叶斑病等病害侵袭，导致年产量损失高达25亿塔卡（孟加拉货币）。传统人工检测方法效率低下，而现有深度学习方案普遍面临标注成本高、模型黑箱等问题。针对这一农业痛点，来自国内高校的研究团队在《Journal of Agriculture and Food Research》发表创新研究，首次将半监督学习与可解释人工智能技术融合，构建了兼具高精度和透明度的实时病害检测系统。

研究采用DenseNet201、InceptionV3和EfficientNetV2B0三种预训练模型进行基准测试，通过迁移学习微调模型参数。关键技术创新在于：1）利用FixMatch算法实现弱增强-强增强双路径伪标签生成；2）整合Smooth Grad等四种XAI技术实现病灶区域热图可视化；3）基于Mendeley提供的1000张原始图像（经数据增强至2589张）构建四分类数据集；4）开发包含GradCAM++解释模块的Flask-React Web应用。

【模型性能验证】
DenseNet201以99.23%准确率成为最优监督模型，其密集连接结构有效缓解了小样本过拟合问题。当仅使用30%标注数据时，集成FixMatch的半监督方案仍保持98%准确率，显著优于MixMatch和MeanTeacher。XAI可视化显示，GradCAM++能精准定位叶片边缘褐斑等细微病变。

【技术突破】
研究提出的阈值敏感度实验证实，0.75置信度阈值在平衡伪标签质量与数量时最优。跨物种验证表明，该框架在芒果叶病害数据集上可达99.95%准确率，展现强泛化能力。实时Web应用实现2.07秒内完成病害诊断与可视化解释。

该研究开创性地解决了农业场景中标注数据稀缺的核心难题，其半监督框架较全监督方案仅降低1.23%准确率却节省70%标注成本。实际应用中，该系统可有效遏制不法商贩以次充好行为，据估算可使孟加拉Kushtia地区农户年收入提升4%。未来通过引入时序分析模块和模型轻量化改造，有望进一步推动AI技术在精准农业中的落地应用。