《Advances in Agriculture》：CNN5Conv2FC: A Resource-Aware Deep Learning Framework for Real-Time Mango Leaf Disease Recognition
编辑推荐：
芒果种植在热带和亚热带地区的农业经济中发挥着至关重要的作用，是数百万农民粮食安全和生计的关键来源。尽管芒果生产至关重要，但叶部病害（如炭疽病、白粉病和细菌性溃疡病）严重影响了作物产量和品质。在孟加拉国等国家，传统的病害诊断方法效率低下且在农村地区由于缺乏农业专
芒果种植在热带和亚热带地区的农业经济中发挥着至关重要的作用，是数百万农民粮食安全和生计的关键来源。尽管芒果生产至关重要，但叶部病害（如炭疽病、白粉病和细菌性溃疡病）严重影响了作物产量和品质。在孟加拉国等国家，传统的病害诊断方法效率低下且在农村地区由于缺乏农业专家和实验室设施而难以普及。为解决这些问题，本研究提出了一种轻量级卷积神经网络（convolutional neural network, CNN）架构，包含五个卷积层和两个全连接（fully connected, FC）层（CNN5Conv2FC），专门用于芒果叶部病害的自动分类。该模型包含五个卷积层，滤波器数量逐步增加以改进特征提取；随后是包含dropout的2FC层，并采用批归一化和最大池化以确保鲁棒的泛化能力。这些设计选择共同实现了高效的特征学习，同时保持了极低的计算复杂度。实验评估表明，CNN5Conv2FC的分类准确率达到97.74%，精确率、召回率和F1分数分别为97.78%、97.74%和97.73%。此外，该模型在包含398幅图像的测试集上达到了最低的总推理时间1.3447秒，平均批量推理时间仅为每幅图像0.003379秒，非常适合在资源受限的农业环境中进行实时部署。为在总体准确率之外进一步确立模型的可靠性和透明性，研究人员还通过混淆矩阵、每类受试者工作特征（receiver operating characteristic, ROC）曲线下面积（area under the curve, AUC）（≥0.99）、bootstrap置信区间、基于损坏的鲁棒性测试、硬件无关的复杂度指标（浮点运算次数FLOPs和模型大小）以及Grad-CAM和Grad-CAM++可解释性分析对模型进行了全面评估。
**论文解读：面向资源受限环境的轻量级芒果叶病识别框架CNN5Conv2FC**
**1. 研究背景与问题**
芒果是孟加拉国农业经济的支柱作物，支撑着经济增长、农村生计和粮食安全。然而，芒果叶片常受白粉病、炭疽病、枯萎病、煤污病、赤锈病、细菌性溃疡病和瘿蚊等多种病害侵袭，严重影响果实的产量与品质。这些叶部病害多由真菌、细菌或病毒病原体引起，早期症状视觉特征相似，难以区分。传统诊断依赖人工目视检查，耗时费力，且在缺乏训练有素的农业专家和实验室设施的农村及资源匮乏地区往往不可行。近年来，人工智能（artificial intelligence, AI）技术被用于从图像中自动检测芒果叶部病害。然而，现有深度学习分类模型大多计算开销巨大，难以部署到偏远或资源受限地区，无法发挥其实时病害诊断的潜在价值。文献中既有研究普遍存在三个局限：仅报告单一准确率而缺乏统计显著性检验、置信区间或逐类错误分析；很少定量报告浮点运算次数（floating-point operations, FLOPs）、模型大小、单图像延迟和能耗等设备端成本；高精度架构（如Vision Transformer、ConvNeXt等）参数量庞大，与农村农业环境的资源限制相冲突。目前缺乏一个同时具备轻量化、高精度、统计验证、可解释性和鲁棒性的统一模型。为此，研究人员提出了CNN5Conv2FC模型，以在简洁性、效率和性能之间取得平衡，用于芒果叶部病害分类。
**2. 研究内容与结论**
研究人员提出了一个名为CNN5Conv2FC的轻量级卷积神经网络架构，其名称直接来源于网络结构——五个卷积（5Conv）特征提取层和两个全连接（2FC）分类层。实验结果表明，该模型在MangoLeafBD数据集上达到97.74%的分类准确率，精确率、召回率和F1分数分别为97.78%、97.74%和97.73%，显著优于ResNet-50（79.0%）、AlexNet（94.0%）和InceptionV3（91.0%）。同时，模型在398幅图像测试集上以1.3447秒的总推理时间和每幅图像0.003379秒的平均批量推理时间实现了最低计算开销，并展现出对常见图像损坏的鲁棒性和良好的可解释性。该模型为资源受限农业环境中的芒果叶病实时诊断提供了一种可行且实用的解决方案。
**3. 主要技术方法**
研究人员使用MangoLeafBD公开数据集（约4000幅图像，含八类叶片状态：炭疽病、细菌性溃疡病、切叶象甲、枯萎病、瘿蚊、白粉病、煤污病和健康叶片），按70%/20%/10%划分为训练、验证和测试集，并通过Roboflow平台进行水平/垂直翻转、90°旋转、缩放裁剪、亮度与曝光调整等数据增强。研究中设计了五个卷积块（滤波器数量依次为16、32、64、128、256），每个卷积块包含3×3卷积、ReLU激活、批归一化和2×2最大池化，前三个卷积层附加L2正则化，两个全连接层含dropout（比率0.5），最终softmax输出层进行多分类。模型总参数量约375万。评估采用分层加权指标、混淆矩阵、每类一对多ROC–AUC、bootstrap置信区间、FLOPs与模型大小等硬件无关指标、单图像延迟统计检验、能耗代理估计，以及Grad-CAM/Grad-CAM++可视化。对比基线为AlexNet、ResNet-50和InceptionV3，统一超参数训练。外部验证使用了独立的Mango Leaf Disease Identification Dataset（MLDID）数据集（3000幅现场采集图像，五个重叠类别）。
**4. 研究结果**
**4.1 性能评估。** 在398幅图像的独立测试集上，CNN5Conv2FC取得了97.74%的准确率，为四模型中最高，优于AlexNet（94.0%）、InceptionV3（91.0%）和ResNet-50（79.0%），其加权精确率、召回率和F1分数同样领先。对混淆矩阵的分析显示，398幅图像中389幅被正确分类；细菌性溃疡病、切叶象甲、枯萎病和健康四类达到完美召回率。错误集中在少部分视觉相似的类别：瘿蚊召回率最低（92.9%），部分样本被误分为细菌性溃疡病、枯萎病和煤污病；炭疽病有两个样本被误分为瘿蚊（召回率95.7%）；白粉病与煤污病之间也存在样本交换。总体而言，不存在系统性的大规模混淆。每类一对多ROC曲线分析显示所有类别的AUC至少达到0.9995，其中炭疽病、细菌性溃疡病、切叶象甲、枯萎病和健康达到1.0000，宏平均AUC为0.9999。bootstrap重抽样（B=2000）得到的95%置信区间较窄，准确率区间为[96.23%, 98.99%]，其下界仍超过InceptionV3和ResNet-50的点估计值，证实了模型优势具有统计显著性。
**4.2 资源感知效率分析。** CNN5Conv2FC的参数量仅为3.75M，FLOPs为0.52G，FP32模型大小为14.29 MiB，分别约为ResNet-50的六分之一和十五分之一，较AlexNet（222.45 MiB）小一个数量级。单图像延迟测试（100次试验，10次预热）显示CNN5Conv2FC平均延迟最低（46.73 ms），对比AlexNet（51.74 ms）、ResNet-50（422.67 ms）和InceptionV3（483.73 ms），在配对t检验和Wilcoxon符号秩检验中均达到p<0.05的显著水平。以65W封装热设计功耗估算的每次推理能耗为3.04 J，为四模型最低。所有测量均在CPU-only配置下完成，以模拟农村环境缺少GPU加速器的实际部署场景。
**4.3 训练动态与讨论。** CNN5Conv2FC的训练与验证曲线显示，损失持续下降和准确率持续上升，约在第10个周期后趋于稳定。这一早期平台反映了模型快速收敛，而非欠拟合——测试准确率达到97.74%且逐类AUC不低于0.99，与欠拟合特征不符。InceptionV3的验证损失呈现波动，表明其复杂模型优化存在难度。ResNet-50收敛缓慢且验证损失较高，研究人员将这一结果归因于约2360万参数的高容量网络在4000幅小规模数据集上易过拟合，加上刻意采用1×10??的保守学习率和固定的50周期预算，以及ImageNet自然图像与叶片特写纹理之间的域差距。
**4.4 可解释性分析。** Grad-CAM和Grad-CAM++可视化显示，对于每个病害类别的代表性样本，高激活区域与叶片上肉眼可见的病变部位高度一致——如炭疽病的深色凹陷病斑、细菌性溃疡病的角状水渍斑点、煤污病和白粉病的表面覆盖物——而非背景或健康叶缘。Grad-CAM++的激活定位整体上比Grad-CAM更锐利、更精确，尤其对瘿蚊这类病斑微小分散的类别更为有效。由于可视化前应用了叶片分割掩膜，激活被限制在叶面范围内，没有归因泄漏到背景中。
**4.5 图像损坏鲁棒性。** 在系统退化的测试集上，模型对高斯模糊和JPEG压缩（质量20）保持高度鲁棒性，准确率分别为96.2%和96.8%，接近干净基线97.74%；亮度增加40%时准确率降至79.0%，表明对强光照变化较为敏感；高斯噪声下准确率骤降至27.9%。这种对高频像素噪声的敏感性是卷积网络的已知特征，提示在噪声较大的实地条件下需要增加噪声感知增强或测试时去噪作为实际缓解措施。
**4.6 外部验证。** 在未经过重训练或微调的MLDID独立数据集上，模型跨数据集宏平均一对多准确率为77.29%，远低于分布内97.74%；宏平均精确率0.4023、召回率0.2927、F1分数0.2941、特异度0.8930。健康类别的迁移效果最好，而瘿蚊和炭疽病几乎完全失效。混淆矩阵显示退化集中在几种系统性替换中：404/600瘿蚊被误分为煤污病，366/600枯萎病被误分为炭疽病，337/600炭疽病被误分为细菌性溃疡病。保留完整八类输出层还导致838个预测被分配到MLDID中不存在的三个类别。
**5. 讨论与结论**
讨论部分指出，CNN5Conv2FC的训练曲线快速收敛且训练与验证曲线始终接近，表明模型没有过拟合，ReduceLROnPlateau调度在平台期后充当微调阶段。对比基线中，AlexNet结构简单但验证损失低、结果具有竞争力，说明简单网络在此任务上可能表现良好。InceptionV3损失波动，ResNet-50收敛较慢且验证损失较高，提示其未能充分适应小规模专用数据集。研究结论部分指出，CNN5Conv2FC在分类准确率和计算效率之间展现出极佳平衡，在光照、方向和尺度变化下保持稳定性能，达到97.74%的最高准确率，较ResNet-50提升约18.7%、AlexNet提升3.7%、InceptionV3提升6.7%。模型可靠性通过逐类混淆矩阵、每类ROC–AUC≥0.99和bootstrap置信区间得到确认；效率通过硬件无关的FLOPs和模型大小、统计显著的延迟测量及能量估计得到验证；Grad-CAM和Grad-CAM++分析证实预测基于病理相关叶片区域；损坏鲁棒性测试界定了模型可靠运行的条件。未来研究方向包括：扩展数据集以纳入更多病害类型和环境条件；正式评估误分类的不对称成本；探索适合移动应用和低成本嵌入式系统的轻量级架构；结合模型解释技术和专家实地验证；将模型集成到大型病害预警系统或农业咨询平台中，以支持区域性病害防控策略。
