《Critical Insights in Agriculture》：Explainable lightweight deep learning architectures for crop anomaly detection using enhanced Grad-CAM and transfer learning
编辑推荐：
该研究提高了卷积神经网络（CNN）用于作物异常检测的可解释性，同时确定了适合部署在资源受限边缘设备上的架构。评估了六种CNN，包括所提出的混合模型，涉及10种作物物种和29个类别，利用了43,000张RGB图像。使用马修斯相关系数（MCC）、混淆矩阵和受试者工
该研究提高了卷积神经网络（CNN）用于作物异常检测的可解释性，同时确定了适合部署在资源受限边缘设备上的架构。评估了六种CNN，包括所提出的混合模型，涉及10种作物物种和29个类别，利用了43,000张RGB图像。使用马修斯相关系数（MCC）、混淆矩阵和受试者工作特征（ROC）曲线评估模型性能。混合模型和ResNet18_weight始终优于其他架构，在多种作物上达到接近完美的MCC值，并且曲线下面积（AUROC）包括水稻0.99和菜豆0.97。相比之下，MobileNetV2对水稻表现最佳，但在某些其他作物上不一致，而SqueezeNet1_1对玉米和菜豆具有竞争力。除此之外，研究人员使用梯度加权类激活映射（Grad-CAM）来映射模型的可解释性，并使用Canny边缘和轮廓叠加可视地突出显示异常区域，揭示了表现最佳的模型产生了清晰、集中的显著性图，而较轻的模型如MobileNetV2和SqueezeNet1_1生成了更分散但计算效率高的注意力模式，适合基于中央处理器（CPU）的部署。总体而言，表现最佳的模型测试准确率超过98%，表明混合模型和ResNet18_weight为实时作物异常检测提供了准确、可解释且可扩展的解决方案，支持经济高效、可扩展的田间部署。
**研究背景、问题与意义**
农业作为高风险产业，面临作物病害和异常对产量、品质及小农户生计的严重威胁，生物胁迫（biotic stressor）可导致17%–30%的产量损失。传统专家诊断速度慢、劳动密集且难以大规模实时监测，而基于深度学习（deep learning）的卷积神经网络（CNN）在作物异常检测中展现出潜力，但其“黑箱”特性限制了用户信任，尤其在高风险场景中。现有架构（如VGG16、InceptionV3、ResNet-50等）在准确率、复杂度与实时田间部署可行性之间存在权衡，且多数研究局限于特定作物类别。为此，研究人员开展了一项系统性比较研究，评估轻量级CNN模型的可解释性与性能，旨在提供准确、可解释且可扩展的实时作物异常检测方案，推动人工智能（AI）辅助诊断的实用化。该论文发表在《Critical Insights in Agriculture》。
**主要关键技术方法**
研究人员利用来自尼泊尔多种农业生态区的43,000张RGB图像，涵盖10种作物物种（水稻、玉米、花椰菜、菜豆、绿豆、草莓、大荳蔻、辣椒、芝麻、洋葱）和29个健康/异常类别。采用迁移学习（TL）技术，比较了六种CNN架构：轻量级模型（MobileNetV2、ShuffleNet_v2、SqueezeNet1_1、提出的混合模型）、中量级模型（ResNet18_weight）和重量级模型（EfficientNetB4）。通过梯度加权类激活映射（Grad-CAM）生成显著性图，并结合Canny边缘检测和轮廓叠加增强可解释性。评估指标包括马修斯相关系数（MCC）、混淆矩阵、受试者工作特征（ROC）曲线、准确率、精确率、召回率和F1分数。
**研究结果**
1. **模型性能（Model performance）**
通过MCC聚类热图比较，混合模型和ResNet18_weight在多数作物（如花椰菜、辣椒、大荳蔻、洋葱）上达到最高MCC值（0.96–0.998），绿豆和芝麻实现完美分类（MCC=1）。玉米中SqueezeNet1_1和混合模型表现突出（MCC>0.99），而MobileNetV2和ResNet18在部分作物上出现负相关。结论：混合模型和ResNet18_weight具有最一致且稳健的性能。
2. **选定模型核心测试指标（Selected model core test metrics）**
测试准确率方面，混合模型在花椰菜（99.89%）、玉米（99.61%）和大荳蔻（98.88%）上表现最佳；ResNet18_weight在草莓（100%）和洋葱（98.45%）上达到最优；SqueezeNet1_1在菜豆（97.30%）和玉米上具有竞争力；MobileNetV2在水稻（94.49%）上最佳。绿豆和芝麻所有模型均达到100%准确率。结论：混合模型和ResNet18_weight在多数作物上实现接近完美的准确率、精确率、召回率和F1分数。
3. **基于Grad-CAM指标的作物比较（Crop-wise comparison via Grad-CAM metrics）**
Grad-CAM显著性图显示，混合模型和ResNet18_weight在异常区域产生强烈、聚焦的红色/黄色热点，而轻量级模型（MobileNetV2、SqueezeNet1_1）生成更分散但计算高效的注意力模式，适合CPU部署。Canny边缘和轮廓叠加进一步明确了边界。例如，混合模型在花椰菜和辣椒上表现出精确的局部热点，而SqueezeNet1_1在菜豆上强调叶缘和细微特征。结论：高性能模型产生清晰、锐利的显著性图，轻量级模型在计算效率与可解释性之间取得平衡。
4. **混淆矩阵与ROC分析（Confusion matrix and ROC analysis）**
混淆矩阵显示，混合模型在辣椒、大荳蔻、绿豆、花椰菜上误分类极少；MobileNetV2在水稻上正确分类大部分样本；ResNet18_weight在洋葱和草莓上实现零误分类；SqueezeNet1_1在菜豆和玉米上表现稳健；ShuffleNet_v2在芝麻上完美分类。ROC曲线显示多数作物AUC（area under curve）达到1.00，水稻为0.99，菜豆为0.97。结论：所选模型具有极低误分类率和近乎完美的分类能力。
**讨论与结论**
讨论部分指出，与重量级模型EfficientNetB4相比，轻量级CNN计算成本降低30%–80%，支持统一多作物框架在资源受限设备上的部署。Grad-CAM可解释性方法优于LIME（局部可解释模型无关解释）和SHAP（沙普利加法解释），因其计算复杂度低且可视化速度快。与其他研究相比，本研究的混合模型在多种作物上优于现有方法（如YOLOv7、EfficientNetV2等），且未去除背景噪声，更贴近真实场景。未来方向包括边缘设备部署、移动应用、高光谱成像物联网（IoT）预警系统、域适应、合成数据生成及多模态整合。
**研究结论**：在所采用的六种CNN架构中，提出的混合模型和ResNet18_weight在多作物异常分类中表现出持续强劲的性能，具有高MCC值、准确率、精确率、召回率和F1分数，经常收敛到近乎完美的分类。轻量级模型如MobileNetV2和SqueezeNet1_1是具有高效推理特性的竞争性替代方案。Grad-CAM可视化显示对感兴趣区域集中且明显的局部注意力，支持模型可解释性。混淆矩阵和ROC曲线分析证实了所选精英模型的稳健性和稳定性能，分类误差最小。总体而言，混合模型和ResNet18_weight在农业应用中显示出准确且可扩展的作物异常检测潜力。
