基于可解释深度学习BerryNet的桑叶分类与病害检测系统研究

《Engineering Applications of Artificial Intelligence》：An explainable deep learning model for mulberry leaf classification and disease detection

本刊推荐：针对桑叶复杂特征识别与病害检测难题，研究团队开发了融合Nobel Block模块和自适应协同损失函数(ASLF)的可解释深度学习模型BerryNet。实验表明，该系统在桑叶分类和病害检测任务中分别达到98.67%和99.09%的准确率，显著提升蚕桑业生产效益。该研究通过SHAP、Grad-CAM等XAI技术实现决策过程可视化，为智慧农业提供可靠技术支撑。

　　

在蚕桑产业中，桑叶作为家蚕的唯一食物来源，其质量直接决定丝绸产量和品质。然而传统人工鉴别方法面临三大挑战：首先，桑叶具有复杂的形态特征（如叶脉纹理、锯齿形状等），环境因素（光照、湿度）易导致图像采集差异；其次，病害叶片（如白粉病、叶斑病等）症状相似度高，易造成误判；此外，全球范围内因植物病害导致的农作物损失年均高达2200亿美元，其中桑树病害可造成20%-30%的减产。这些因素严重制约着丝绸产业的可持续发展。

为解决上述问题，研究团队在《Engineering Applications of Artificial Intelligence》发表了一项创新研究，开发出名为BerryNet的可解释深度学习系统。该系统通过多尺度特征融合和自适应损失优化，实现了桑叶品种精准分类与病害智能检测的双重目标。

关键技术方法包括：1）构建包含10个品种5262张图像和3类病害1091张图像的数据集，采用旋转、镜像等数据增强技术；2）设计Nobel Block模块通过并行卷积和池化路径提取多尺度特征；3）创建自适应协同损失函数(ASLF)整合类别权重、标签平滑等机制；4）应用SHAP和Grad-CAM等XAI技术实现模型决策可视化。

研究结果验证显示：

1. 1.
   模型性能优化
   通过对比Adam、Nadam等优化器在不同图像尺寸（128×128至256×256）下的表现，发现Adam优化器在256×256分辨率下取得最佳效果，桑叶分类训练准确率达99.96%，验证准确率98.67%。
2. 2.
   病害检测能力
   在病害检测任务中，BerryNet对叶锈病、叶斑病和健康叶片的识别精确率分别为97%、99%和98%，显著优于VGG16（42.01%）、ResNet50（90.41%）等对比模型。
3. 3.
   模型轻量化设计
   BerryNet仅包含12.95百万参数，模型大小52.96 MB，计算量3.2×10^-5GFLOPs，较传统模型参数减少45%，更适合部署于移动设备。
4. 4.
   解释性分析
   通过Grad-CAM热力图可视化发现，模型对叶缘区域的关注度与早期病害症状高度吻合。SHAP值分析表明，叶形轮廓和纹理特征是品种分类的关键依据。

本研究成功构建了一个高效、透明且轻量化的桑叶智能诊断系统。BerryNet的创新性体现在：1）通过多分支特征提取模块克服复杂背景干扰；2）协同损失函数有效解决类别不平衡问题；3）解释性技术增强模型可信度。该系统为蚕桑业数字化转型提供技术支撑，其方法论亦可扩展至其他农作物病害诊断领域，对保障粮食安全、推动精准农业发展具有重要意义。