LeafLife：用于葡萄叶片病害识别的可解释深度学习框架及其鲁棒性
计算机视觉与模式识别
2026-01-07 v1 人工智能
机器学习
摘要
植物病害诊断对于农户的管理决策至关重要，因为植物病害常常降低作物产量和产品质量。为了实现丰收并提升农业生产力，葡萄叶片病害检测显得尤为重要。该植物病害数据集包含 9,032 张葡萄叶片病害图像，分为四个类别，其中三个类别为叶片病害，另一个类别为健康叶片。在严格的预处理后，将数据集划分为训练集（70%）、验证集（20%）和测试集（10%），并部署了两种预训练模型：InceptionV3 和 Xception。Xception 的精度达到了 96.23%，显著优于 InceptionV3。采用对抗训练提高鲁棒性，并结合 Grad-CAM 进行叶片病害确认。最终使用 Streamlit 部署了 Web 应用程序，集成热力图可视化和置信度预测，实现稳健的葡萄叶片病害分类。
引用
@article{arxiv.2601.03124,
title = {LeafLife: An Explainable Deep Learning Framework with Robustness for Grape Leaf Disease Recognition},
author = {B. M. Shahria Alam and Md. Nasim Ahmed},
journal= {arXiv preprint arXiv:2601.03124},
year = {2026}
}
备注
4 pages, 8 figures, 2025 IEEE International Conference on Signal Processing, Information, Communication and Systems (SPICSCON)