一种用于药用植物叶片病害分类且具可解释性的轻量级混合CNN与Transformer模型

为何更智能的植保至关重要

许多用于家庭疗法和现代药物的药草——例如圣罗勒（Tulsi）、苦楝（neem）和病人草（patharkuchi）——都依赖健康的叶片来产生其活性成分。当疾病侵袭这些叶片时，植物的产量和药效都会下降。本文提出了一种紧凑的人工智能（AI）系统，能够从照片中以显著的准确率识别不同的叶片病害。该方法设计用于在低成本设备上运行，并清晰展示模型“关注”的区域，能够帮助农户和园丁实时保护宝贵的药用植物。

熟悉叶片上的隐蔽威胁

研究聚焦于三种广泛使用的药用植物：长寿花（Kalanchoe pinnata，patharkuchi）、苦楝（Azadirachta indica，neem）和圣罗勒（Ocimum tenuiflorum，tulsi）。这些植物具有抗菌、抗炎甚至抗癌的潜在功效，然而它们的叶片易受真菌丝、胁迫导致的泛黄以及各种斑点病害的侵袭。传统诊断依赖田间专家目测或耗时且设备要求高的实验室检测，这都不利于在早期或大面积范围内及时发现问题。考虑到植物健康与公共卫生及地方经济息息相关，迫切需要一种仅凭图像就能快速标记病害、且既准确又可解释的自动化工具。

为病叶构建一只智能之眼

为了解决这一挑战，作者提出了名为LSeTNet的新模型——一种轻量级的图像AI混合体，结合了卷积网络与Transformer两种流行思路：前者擅长捕捉细微纹理与边缘，后者善于识别图像中的长距离模式。系统首先在一个精心采集的数据集MedicinalLeaf‑12上进行学习，该数据集包含12个类别，涵盖三种植物的健康与病变状态。照片在真实田间环境中拍摄，光照、角度和背景都存在变化，随后对图像进行了清理与增强，以突出病斑和叶脉。团队还进行了大量图像增强——旋转、缩放、改变亮度等——以模拟真实农田中的复杂性并保持数据集的平衡性。

模型如何“理解”叶片

LSeTNet分阶段处理每张叶片图像。轻量卷积层捕捉局部线索，例如细小斑点、菌丝以及叶缘的清晰度。特殊的“压缩与激励”（squeeze‑and‑excitation）模块随后对这些线索重新加权，悄然增强与病害相关的通道并抑制受背景主导的通道。接着是一个Transformer模块，连接叶片中远距离的区域，使模型能够将分散的黄斑或沿着叶脉分布的模式关联起来。最后，一个紧凑的分类器判断每张图像最符合哪一种12类病情。尽管模型仅使用约9.4百万参数并需求适度的计算资源，但仍保持高速与低内存占用，适合部署在手机、平板或小型单板计算机上。

揭示“黑箱”内部

由于农户和农学家必须信任任何自动化诊断，作者在系统中加入了可解释性功能。他们使用Grad‑CAM和LIME等工具来生成热图，展示模型在每片叶子上“关注”的位置，并用t‑SNE图可视化不同病害在模型内部特征空间中的聚类。这些解释表明，AI始终将注意力集中在病变、变色组织和真菌丝上，而不是单纯的背景或叶柄。即便在罕见的误判中——在1800张测试图像中仅出现五次错误——高亮区域仍然位于生物学上有意义的位置；混淆主要出现在两种对人眼也极为相似的病变之间。

这些结果对种植者意味着什么

在主数据集上，LSeTNet对叶片图像的分类准确率约为99.7%，在未见过的一组孟加拉药用植物外部测试集上也取得了同样高的性能。同时，它运行快速（在GPU上每张图像大约七千分之一秒）且内存占用小，这为低成本、适用于田间的应用铺平了道路。从实用角度看，这项工作表明，紧凑且透明的AI能够可靠地检测重要药用植物的早期病害迹象，并清楚地向用户展示其决策依据。经对更多物种和更严苛田间条件的进一步测试，类似系统可帮助保护草药供应链、支持精准农业，并为小农户提供可随身携带的“第二意见”。

引用: Ahmmed, J., Kabir, M.A., Rehman, A.u. et al. A lightweight hybrid CNN and transformer model for medicinal leaf disease classification with explainable AI. Sci Rep 16, 8243 (2026). https://doi.org/10.1038/s41598-026-39182-3

关键词: 药用植物, 叶片病害检测, 深度学习, 可解释性人工智能, 精准农业