基于 ResNet152 和 Grad-CAM 的玉米叶部病害诊断：提升可解释人工智能的准确性，保障粮食安全

为解决玉米作物易受多种病害影响导致损失及粮食供应受扰的问题，研究人员开展了基于深度学习构建可信赖、可解释模型以准确识别玉米叶部病害的研究。结果显示 ResNet152 模型训练准确率达 99.95%，测试准确率达 98.34%，Grad-CAM 增强了解释性。该研究助力农业决策，提升作物产量1214。

　　在全球粮食体系中，玉米占据着举足轻重的地位，它不仅是人们餐桌上的重要食物来源，还广泛应用于工业生产和动物饲料领域。然而，玉米生长过程中面临着诸多挑战，其中病害问题尤为突出。多种病害如北方玉米叶枯病（Northern Corn Leaf Blight，NCLB）、灰斑病（Grey Leaf Spot）、普通锈病（Common Rust）等，严重威胁着玉米的产量和质量。这些病害不仅会导致玉米减产，还会降低其品质，进而影响全球粮食供应的稳定性，给农民带来巨大的经济损失。

为了应对这一严峻的问题，来自 Sona College of Technology、Vel Tech Rangarajan Dr. Sagunthala R&D Institute of Science and Technology、Galgotias University 以及 Manipal Institute of Technology Bengaluru 等机构的研究人员开展了深入研究。他们致力于构建一个基于深度学习的可靠且可解释的模型，以实现对玉米叶部病害的精准识别，相关研究成果发表在《BMC Plant Biology》上。

研究人员在此次研究中运用了多种关键技术方法。首先，采用了著名的深度学习结构 ResNet152，它具有 152 层，通过残差连接（residual connections）有效解决了深度网络训练中的梯度消失问题，增强了网络对复杂特征的提取能力。其次，引入了梯度加权类激活映射（Gradient-weighted Class Activation Mapping，Grad-CAM）技术，该技术能生成热图（heatmaps），直观展示对模型预测有重要影响的玉米叶片区域，从而提高模型的可解释性。研究使用的数据集包含 4188 张玉米叶片图像，涵盖了四种病害类型，70% 用于训练模型，30% 用于测试。

研究结果主要围绕模型的性能展开：

1. 模型训练表现：ResNet152 模型在训练阶段表现卓越，准确率高达 99.95%。通过混淆矩阵可以清晰地看到，模型能够准确识别大量的病害样本，如正确分类了 900 例叶枯病（Blight）、954 例普通锈病等。各项性能指标也十分出色，叶枯病的灵敏度（Se）达到 99.78%，普通锈病、健康叶片的灵敏度均为 100%，灰斑病的灵敏度为 99.76%。这些数据表明模型在训练过程中对各类病害的识别能力极强，误判率极低5610。
2. 模型测试表现：在测试阶段，模型依然保持了较高的准确率，达到 98.34%。虽然相比训练阶段略有下降，但依然表现出色。从测试阶段的混淆矩阵可以看出，模型准确分类了 318 例叶枯病、954 例普通锈病等。同时，各项性能指标也维持在较好的水平，如叶枯病的灵敏度为 97.45%，精度（Pr）为 98.02% 等7813。
3. 模型可解释性：Grad-CAM 技术的应用为模型的可解释性提供了有力支持。通过生成的热图可以发现，对于健康叶片，热图显示均匀的激活，表明模型未关注到特定的病害区域；而对于患病叶片，热图则集中在病变部位，如叶枯病的病斑、锈病的锈斑等，这与实际的病害症状高度吻合。不过，在一些误判的案例中，热图也暴露出模型的问题，例如对叶枯病的误判图像中，热图显示模型的关注区域分散在整个叶片，而非集中在症状明显的区域91112。
4. 模型对比：研究人员还将该模型与其他先进模型进行了对比。结果显示，ResNet152 结合 Grad-CAM 的模型在准确性和可解释性方面表现出色。尽管在准确率上，部分模型如 MMF-Net 达到了 99.23%，高于该模型的测试准确率 98.34%，但这些模型在可解释性方面存在不足。而本研究的模型在保证较高准确率的同时，通过 Grad-CAM 技术为用户提供了清晰的解释，增强了用户对模型的信任3415。

研究结论和讨论部分指出，ResNet152 模型在玉米叶部病害识别方面具有显著优势，结合 Grad-CAM 技术后，能让农民更直观地了解玉米作物的病害情况，有助于他们及时采取有效的病害管理措施，避免因病害造成的重大损失。这不仅提升了农民对病害周期和控制的理解，还有助于推动可持续农业的发展。同时，该研究也为未来的研究指明了方向，例如可以将该模型框架应用于其他作物病害的识别，结合物联网（IoT）技术实现作物病害的实时监测，进一步提高模型的可靠性和适用性。然而，目前该模型在实际农业应用中仍面临一些挑战，如特定地点的计算资源限制、农村地区网络接入问题以及模型对特定数据集的依赖等，后续研究需要针对这些问题进行深入探索和改进。