ExplainableCropAI: Interpretable Deep Learning for Agricultural Disease Diagnosis and Decision Support
Santosh Kumar · Santosh Kumar · Durgesh Nandan 等 5 人
构建可解释水稻病害诊断系统，融合归因、不确定性与自然语言解释。
ConvNeXt V2-Tiny分类器，Grad-CAM++、MC Dropou
测试准确率97.5%，低置信转诊消除74%错误，跨数据集精度减半。
跨数据集置信失效，少量本地样本微调可恢复精度，值得研究田间自适应与主动学习。
可解释AI与作物病害诊断的集成系统，方法组合有工程价值，数据规模与评测较扎实，但组件本身非新，属细分领域重要进展而非重大突破。
深度学习模型能够准确分类作物病害，但其黑箱性质限制了实际应用：农民和推广人员需要在理解诊断结果后才能采取行动。我们提出ExplainableCropAI，一个用于水稻病害诊断的决策支持系统，它在ConvNeXt V2-Tiny分类器上附加了三条互补的解释通道：Grad-CAM++视觉归因、经温度缩放校准的蒙特卡洛Dropout不确定性，以及由Phi-3-mini在接地约束下生成的自然语言解释——该约束将模型限制为从预测结果、归因图和精选农学知识库中提取的类型化字段。各组件均非新创；贡献在于将其集成到单一流水线中，并测量该集成旨在提供的特性。在来自Paddy Doctor数据集（10,407张图像，九种病害及健康）的1,540张图像上，经泄漏控制的留出测试划分显示，分类器达到97.5%的准确率（95% CI 96.7–98.3）和96.9%的宏F1值。在相同设置下，使用基于模型的忠实性指标比较了六种归因方法；校准后的置信度以0.93的AUROC区分正确与错误预测，将置信度最低的10%案例转交专家可消除全部错误的74%。在五种严重程度的八种图像损坏下，模型保持89.7%的平均准确率，而相同训练的六个基线为72–78%，且其转交率随退化程度上升。在来自孟加拉国和印度的两个独立采集的水稻病害数据集上进行零样本评估显示，跨数据集偏移下准确率大约减半，置信度不再能识别错误，而每类五十张本地图像可将准确率恢复至90%以上。代码、划分文件、训练权重和评估脚本均已发布。