An Explainable Software-Based Framework for Pre-Symptomatic Grape Disease Risk Assessment Using MobileNetV2, Grad-CAM, and Weather Data

方法

MobileNetV2提取叶片特征，结合微气候气象数据，用Grad-CAM可视化

发现

MobileNetV2分类准确率达97.84%，图像与气象融合可支撑症状前风险预警。

机会点

可探索多模态时序融合与田间验证，将症状前预警扩展至更多作物病害决策支持。

葡萄栽培面临由霜霉病、白粉病和黑腐病等主要真菌病害造成的严重产量损失。现有的深度学习分类模型主要依赖于叶片或果穗上可见的症状性病斑。然而，等待视觉症状显现往往会延误化学防治，使其错过最佳治疗窗口，导致作物发生不可逆的退化。本文提出了一种基于软件的可解释性葡萄病害症状前风险评估框架。该架构将基于MobileNetV2的细粒度叶片图像特征提取与微气候气象遥测数据（温度、相对湿度、叶面湿润持续时间及降雨预报）相结合。为确保对农艺师和农民具有临床透明度，通过梯度加权类激活映射（Grad-CAM）集成可解释人工智能（XAI），生成视觉显著性热图，以突出亚视觉细胞胁迫指标和坏死边缘。动态流行病学微气候风险指数（EMRI）将深度学习概率与实时气象分析相融合。在包括PlantVillage和田间采集葡萄园图像在内的多源数据集上进行评估，MobileNetV2达到了97.84%的分类准确率。基于全面的文献综述，识别出一个关键的研究空白：当前农业系统将图像分类和微气候预测视为互不关联的工作流程，缺乏可解释的决策支持。所提出的框架通过一个集成的网络和移动平台填补了这一空白，该平台具有自动化风险预警和可操作建议生成功能。