基于深度学习模型的茶叶病害诊断：通过可解释AI与对抗训练提升鲁棒性
计算机视觉与模式识别
2026-02-13 v1 人工智能
机器学习
摘要
茶叶是巴基斯坦经济的重要资产，茶叶 cultivation 在经济增长中占据重要角色。然而，这些珍贵植物易受多种叶片感染，导致产量下降和品质下降。手动检测这些疾病并不容易，可能耗时且存在误差。因此，本研究旨在开发基于teaLeafBD数据集的自动化深度学习模型，用于茶叶病害分类，以实现更简便、更高效的检测。数据集包含5278张高分辨率图像，分为七个类别：六类代表不同疾病，剩余一类为健康叶片。 proposed pipeline 包含数据预处理、数据分割、对抗训练、数据增强、模型训练、评估及可解释AI策略。我们采用 DenseNet201 和 EfficientNetB3 完成分类任务。为提升模型鲁棒性，应用对抗训练使其能在噪声或扰动输入下有效工作。此外，执行Grad-CAM可视化以识别图像中最具影响力的区域。实验结果表明，EfficientNetB3 实现了93%的最高分类准确率，而DenseNet201 达到91%。结果证明，所提出方法能准确检测茶叶病害，为先进的农业管理提供了实用解决方案。
关键词
引用
@article{arxiv.2602.11239,
title = {Toward Reliable Tea Leaf Disease Diagnosis Using Deep Learning Model: Enhancing Robustness With Explainable AI and Adversarial Training},
author = {Samanta Ghosh and Jannatul Adan Mahi and Shayan Abrar and Md Parvez Mia and Asaduzzaman Rayhan and Abdul Awal Yasir and Asaduzzaman Hridoy},
journal= {arXiv preprint arXiv:2602.11239},
year = {2026}
}
备注
6 pages,9 figures, 2025 IEEE International Women in Engineering (WIE) Conference on Electrical and Computer Engineering (WIECON-ECE)