Deep learning and computer vision framework for tomato insect classification with XAI insights

虫害侵袭对全球番茄生产构成致命威胁，常导致毁灭性的产量损失和经济不稳定。传统的人工识别方法主观性强、劳动密集且易出错。为此，在农业5.0（Agriculture 5.0）范式下，我们提出了一种新颖的混合深度学习模型ResNet50-Fusion（ViT），专用于精准检测六种具有经济重要性的番茄害虫。该架构通过多头交叉注意力（Multi-Head Cross-Attention）机制整合ResNet50主干与视觉Transformer（Vision Transformer, ViT）分支，实现非对称语义对齐，从而能够同时提取细粒度形态特征与全局上下文模式。为确保科学严谨性并消除数据泄漏风险，我们实施了“先分割后增强”（Split-then-Augment）协议，使测试集保持完全独立且原始状态。该框架实现了97.00%±0.12%的最先进测试准确率，显著优于ResNet50（96.44%）和DenseNet169（96.00%）等基线模型，同时展现出高计算效率，平均推理延迟为每张图像26.6毫秒，适用于实时边缘部署。除预测精度外，模型的可靠性还通过整合语义指标的多方法定量可解释人工智能（Explainable AI, XAI）框架得到验证，包括用于特征对齐的语义定位分数（Semantic Localization Score, SLS）、用于逻辑稳定性的鲁棒性分数（Robustness Score, RS）以及用于决策一致性的可解释性可靠性系数（Interpretability Reliability Coefficient, IRC）。结果表明，我们的模型实现了96.5%的指向游戏准确率（Pointing Game Accuracy）和较低的删除AUC（0.142），说明模型的注意力模式与生物学相关的形态特征高度一致，而非背景伪影。系统性遮挡敏感性分析进一步证实了模型的鲁棒性，稳定性得分为0.988。最后，在包括IP102和Pest24在内的世界规模数据集上进行的外部验证，通过直接推理获得了超过90%的准确率，证明了该框架在多样化自动化田间监测条件下的泛化能力。本研究为全球精准农业中的实时害虫识别提供了一种精准、稳健且可扩展的解决方案。