轻量化且可解释的 DenseNet-121 框架用于葡萄叶叶 disease 分类
计算机视觉与模式识别
2026-02-16 v1 人工智能
摘要
葡萄是全球范围内经济和文化价值最高的水果之一，欧洲和亚洲的表粮葡萄和酒用葡萄产量均相当可观。葡萄的生产和品质受到如细菌腐烂、褐霉和粉霉等葡萄病害的显著影响。因此，对葡萄园的可持续管理就需要及时且准确地识别这些病害。当前的自动化方法，特别是基于 YOLO 框架的方法，往往计算昂贵且缺乏可解释性，难以适用于实际场景。本文提出一种基于优化 DenseNet-121 的葡萄叶 disease 分类方法。通过领域特定的预处理和广泛的连接结构，揭示了包括血管、边缘和病灶在内的病害相关特征。与基线 CNN 模型（包括 ResNet18、VGG16、AlexNet 和 SqueezeNet）的广泛比较表明，所提模型性能优越。其准确率达 99.27%，F1 分数为 99.28%，特异度为 99.71%，Kappa 为 98.86%，推理时间为 9 秒。交叉验证结果显示，在所有类别中均获得平均准确率为 99.12% 的优异性能。我们还采用 Grad-CAM 突出显示病害相关区域，以确保模型聚焦于生理上相关的特征，从而提高透明度和可信度。模型优化降低了实时部署的处理需求，而迁移学习确保在小规模和不平衡样本上的一致性。该框架在可扩展性、精确性和计算效率方面表现出色，适用于葡萄叶 disease 检测。
引用
@article{arxiv.2602.12484,
title = {A Lightweight and Explainable DenseNet-121 Framework for Grape Leaf Disease Classification},
author = {Md. Ehsanul Haque and Md. Saymon Hosen Polash and Rakib Hasan Ovi and Aminul Kader Bulbul and Md Kamrul Siam and Tamim Hasan Saykat},
journal= {arXiv preprint arXiv:2602.12484},
year = {2026}
}
备注
Accepted and Presented at 28th International Conference on Computer and Information Technology (ICCIT)