TomaNet-6H: towards transparent plant disease detection using a modified CNN with Grad-CAM for tomato leaves

植物病害对农业生产力构成严峻挑战，凸显了快速可靠的自动化检测方法的必要性。人工病害识别劳动强度大且易出错，而深度学习技术提供了可扩展的替代方案。本研究评估了五种卷积神经网络（CNN）架构——XceptionNet、DenseNet121、一个五层基线CNN、一个六层CNN以及所提出的自定义架构TomaNet-6H——利用PlantVillage数据集对番茄叶片状况进行分类。图像预处理结合了色彩空间变换与限制对比度自适应直方图均衡化（CLAHE），并辅以有针对性的数据增强以缓解类别不平衡问题。实验结果表明，TomaNet-6H达到了97.42%的测试准确率和96.60%的宏F1分数，同时保持了适中的计算复杂度（约700万参数）和每张图像68.4毫秒的推理延迟。此外，Grad-CAM可视化定性表明该网络主要关注有症状的叶片区域而非背景伪影。这些发现凸显了TomaNet-6H作为一种有效且资源节约的框架，适用于精准农业部署。