基于可解释 AI 的 CBAM 集成注意力驱动模型用于蒌叶病害分类
计算机视觉与模式识别
2025-10-01 v1
摘要
蒌叶因其经济效益与广泛用途而成为一种重要作物。其藤蔓易感多种疾病，通常统称为蒌叶病害。植物病害是粮食供应安全面临的最大威胁，且难以被及时发现以阻止潜在的经济损失。有趣的是，人工智能可以通过预测病害来促进产量增长，从而在蒌叶产业中留下重要印记。本文提出了一种仅有 213 万参数（8.13 MB）的轻量级 CBAM-CNN 模型，该模型集成了 CBAM（Convolutional Block Attention Module）以在不依赖重型预训练网络的情况下改善特征强调。集成注意力机制提高了模型辨别叶部病害类别间微小差异的能力，使其能够自适应地聚焦于重要的空间与通道信息。为了确保高效的模型训练与验证所需的类别平衡与多样性，本研究利用了包含 10,185 张图像的增强数据集，分为三类：健康叶、叶腐病与叶斑病。所提出的模型在测试集上达到了 97% 的精确率、94% 的召回率、95% 的 F1 分数与 95.58% 的准确率，展现出强健且平衡的分类性能，优于传统的预训练 CNN 模型。模型聚焦区域使用可解释 AI 技术 Grad-CAM（Gradient-weighted Class Activation Mapping）进行了可视化与解释。
引用
@article{arxiv.2509.26484,
title = {CBAM Integrated Attention Driven Model For Betel Leaf Diseases Classification With Explainable AI},
author = {Sumaiya Tabassum and Md. Faysal Ahamed},
journal= {arXiv preprint arXiv:2509.26484},
year = {2025}
}