《Engineering Applications of Artificial Intelligence》：DynLeafNet: A dynamic lightweight architecture for plant disease classification using dynamic residual network with explainable artificial intelligence
編輯推薦：
農業面臨作物減產難題，植物病害是主因，早期檢測存在諸多挑戰。研究人員提出 DynLeafNet 模型，用 PlantVillage 和 Rice Leaf Disease 數據集驗證，其準確率高、計算成本低。該模型助力精準農業，對農業發展意義重大。
在農業生產的大舞臺上，植物病害如同隱藏在暗處的 “殺手”，時刻威脅著農作物的健康生長。全球范圍內，農作物因病害導致的減產問題日益嚴重，這不僅影響了糧食安全，還對經濟發展造成了不小的沖擊。從印度的農田到世界其他角落，農民們常常為作物遭受病害侵襲而苦惱。而且，早期檢測植物病害困難重重，數據集里各類病害樣本分布不均衡，植物病害初期癥狀又難以辨認，就像給病害檢測戴上了 “枷鎖”。傳統的靜態神經網絡（SNNs）雖然在一定程度上能檢測植物病害，但因其架構固定，參數過多，對計算資源需求大，在資源受限的場景下 “力不從心”，面對不均衡的數據集也難以實現良好的泛化。在這樣的困境下，為了找到更高效、準確檢測植物病害的方法，研究人員開啟了新的探索之旅。
一支研究團隊踏上了攻克植物病害檢測難題的征程。他們提出了一種全新的輕量級動態模型 ——DynLeafNet，這是一個專為植物病害分類設計的深度學習架構。研究人員通過一系列實驗，用公開的 PlantVillage 和 Rice Leaf Disease 數據集對 DynLeafNet 模型進行驗證。結果令人欣喜，與現有的先進模型相比，DynLeafNet 在保證高準確率的同時，還大幅降低了計算成本。在 PlantVillage 數據集上，訓練準確率達到 99.34%，測試準確率為 98.33%，計算復雜度僅為 17.64M FLOPs；在 Rice Leaf Disease 數據集上，訓練準確率為 97.81%，測試準確率是 95.64%，計算復雜度為 35.07M FLOPs。這一成果意義非凡，它為精準農業中的病害早期檢測提供了有力的技術支持，有望改變農業生產中病害檢測的現狀，助力農民減少因病害造成的損失，推動農業朝著智能化、高效化的方向發展。該研究成果發表在《Engineering Applications of Artificial Intelligence》上。
研究人員在開展研究時，主要運用了以下關鍵技術方法：首先，采用了殘差卷積神經網絡（Residual CNNs），并結合學習組卷積（LGConv）、早期退出（Early Exiting）機制，優化了模型性能；其次，運用網格搜索（Grid Search）技術尋找最優超參數配置；再者，通過計算類權重并利用數據增強（如隨機翻轉、旋轉、調整大�。┓椒ń鉀Q數據集類不平衡問題；最后，使用梯度加權類激活映射 ++（Grad-CAM++）技術增強模型的可解釋性。
研究結果
- 模型設計與優化：DynLeafNet 模型利用殘差塊集成 LGConv 和早期退出等先進方法。通過網格搜索技術，確定了最優超參數，包括殘差塊數量、通道值、內核大小、激活函數、下采樣和隨機失活概率，優化了模型性能。
- 解決類不平衡問題：針對數據集中類不平衡問題，模型計算類權重并使用數據增強方法。給少數類分配更高權重，使其在訓練中得到更多關注，有效提升了整體模型性能。
- 模型性能驗證：在 PlantVillage 和 Rice Leaf Disease 數據集上，DynLeafNet 模型展現出卓越性能。相比 VGG16、VGG19、ResNet50 等多種先進的遷移學習（TL）模型以及動態模型 CondenseNet，其準確率更高，計算成本更低，證明了該模型在植物病害識別方面的優勢。
- 模型可解釋性增強：利用 Grad-CAM++ 技術，為單圖像預測生成熱圖，直觀展示影響模型預測的關鍵特征，增強了模型的可解釋性，讓使用者更清楚模型的決策依據。
研究結論與討論
研究人員成功構建了 DynLeafNet 模型，它結合多種先進技術，有效解決了植物病害檢測中的多個難題。在不同數據集上的優異表現，表明其在實際農業生產場景中具有極大的應用潛力，尤其是在移動設備或邊緣計算平臺等低資源環境下，能夠實現實時、準確的病害檢測。同時，Grad-CAM++ 技術的應用增強了模型的可信度和可解釋性，為用戶理解模型決策提供了便利。不過，研究也存在一定局限性，后續研究可以進一步探索如何在更復雜的實際環境中優化模型，提高其適應性和穩定性�？傮w而言，DynLeafNet 模型的提出為植物病害檢測領域開辟了新的道路，為精準農業發展注入了新的活力，有望在未來農業生產中發揮重要作用，助力全球糧食安全和農業可持續發展。
