基于多分支MobileNetV2架构与可解释人工智能(XAI)的苹果叶部病害智能诊断方法

为解决苹果叶部病害（如锈病、黑星病、黑腐病）早期检测难题，研究人员创新性地将轻量级MobileNetV2模型与可解释人工智能(XAI)技术结合，开发了多分支架构的CNN分类系统。该模型在PlantVillage数据集上实现99.18%准确率，并通过LIME算法实现预测可视化，为智慧农业提供实时、透明的决策支持。

　　

苹果种植作为农业经济的重要支柱，其叶部病害如雪松-苹果锈病(cedar apple rust)、黑星病(scab)和黑腐病(black rot)严重威胁果实产量。传统深度学习模型虽能提升分类精度，却受限于"黑箱"特性和计算复杂度。这项研究巧妙融合轻量级MobileNetV2架构与可解释AI(XAI)技术，构建了多分支卷积神经网络(CNN)系统——通过并行特征提取通道增强特征图谱表征能力，在PlantVillage基准测试中创下99.18%的顶尖准确率。更突破性的是，研究引入局部可解释模型无关解释(LIME)技术，首次实现苹果病害分类决策的可视化解读，清晰展示叶片病斑区域、纹理等关键特征对预测的贡献度。这种兼具高性能(参数量减少37%)和透明度的创新方案，为部署在边缘设备(IoT)的实时农业诊断系统提供了理想技术路径，标志着植物表型组学研究向可信AI迈出关键一步。