Explainable AI for Precision Agriculture: Fine-Grained Plant Pathology Localization Using ConvNeXt-Tiny and Residual Spatial Attention Module Palvi Sharma

精准农业中的多作物植物病害自动分类需要一种有效的解决方案，但当前最先进的深度学习架构容易遭受背景捷径问题、推理延迟较高以及可视化可解释性不足的困扰。本文提出了一种性能更优的框架，将ConvNeXt-Tiny与创新的残差空间注意力模块（Residual Spatial Attention Module, RSAM）相结合，以解决针对38个植物病理目标的细粒度诊断问题。在一个包含10,876张未见图像的测试数据集上，所提出的框架实现了96.85%的Top-1分类准确率、96.95%的精确率、96.48%的召回率以及96.71%的宏F1分数，同时优于ResNet-50（+2.20%），且每张图像的推理速度快0.97毫秒（7.15毫秒/张，参数量为28.12M）。借助Grad-CAM进行的可解释人工智能（Explainable AI, XAI）分析表明，RSAM模块能够抑制背景和土壤伪影，将88.42%的激活能量𝐸𝑙𝑒𝑠𝑖𝑜𝑛引导至病灶区域。