量子增强可解释深度学习框架QTransLeafNet：苹果叶片病害的精准分割与分类研究

来自全球的研究人员针对苹果叶片病害（如Apple Scab、Cedar Rust等）传统人工检测效率低的问题，开发了量子增强可解释框架QTransLeafNet。该模型融合Transformer-U-Net（TransUNet）病灶分割、量子变分分类器（QVC）和Grad-CAM++可视化技术，实现96.21%准确率、0.923 Dice系数，为农业病害智能诊断提供新范式。

　　

苹果叶片病害（如黑星病Apple Scab、锈病Cedar Rust）严重威胁全球水果产业。传统人工检测耗时且易错，而现有深度学习模型难以兼顾分割精度（如Intersection over Union, IoU）与分类鲁棒性。这项研究构建了量子增强的TransUNet框架（QTransLeafNet），通过三大创新模块：基于Transformer的U型网络（TransUNet）实现病灶像素级分割（Dice=0.923），量子变分分类器（Quantum Variational Classifier, QVC）提升类别区分度（AUC-ROC达98.35%），配合梯度加权类激活图（Grad-CAM++）可视化决策依据（IoU=0.861）。五折交叉验证显示，其96.21%的准确率显著优于CNN-LSTM等基线模型（p<0.01）。该技术未来将拓展至田间多季节数据，并计划采用真实量子硬件加速，结合SHAP/LIME等多模态解释工具，为智慧农业提供可审计的AI解决方案。