Explainable deep learning for Mango leaf disease recognition using AlexNet and grad-CAM

植物病害的早期准确检测对于提高作物生产力和支持可持续农业实践至关重要。芒果（Mangifera indica）是全球最具经济重要性的热带水果作物之一，极易感染多种叶部病害，这些病害可显著降低产量和果实品质。本研究提出了一种可解释的深度学习框架，用于自动化十类芒果叶部病害分类，所使用的公开数据集包含约5000张图像，分布于炭疽病（Anthracnose）、细菌性溃疡病（Bacterial Canker）、切叶象甲（Cutting Weevil）、枯枝病（Dag Disease）、回枯病（Die Back）、虫瘿（Galls）、健康（Healthy）、白粉病（Powdery Mildew）、红锈病（Red Rust）和煤烟病（Sooty Mould）十个类别。与传统的基于AlexNet的方法不同，所提出的框架集成了贝叶斯超参数优化、两阶段微调、测试时增强（TTA）以及基于Grad-CAM的可解释性，以同时提升预测性能和可解释性。实验结果表明，所提出的框架在使用八视图测试时增强（TTA）时达到了99.2%的最终测试准确率，相应的精确率、召回率和F1分数约为99.1%。该模型在精选测试集上还取得了1.00的微平均和宏平均ROC–AUC分数，表明在所考虑的病害类别间具有较强的判别能力。与MobileNetV2、DenseNet201、ConvNeXt和LeafNet的对比评估表明，该框架在保持适中计算复杂度和架构简洁性的同时，具有竞争性或更优的分类性能。此外，Grad-CAM可视化定性地突出了具有生物学相关性的病害症状，包括病斑、坏死区域、锈斑、真菌生长和组织变色，从而增强了模型的可解释性。尽管田间规模验证和定量可解释性评估仍有待未来研究，但所提出的框架为自动化芒果叶部病害诊断提供了一种准确、计算高效且可解释的方法，在智慧农业和精准农业应用中具有强大潜力。