Comparative Deep Learning and RISE-Based Explainable AI Framework for Orange Fruit Disease Detection

橙病严重威胁果实品质和农业生产力，造成重大经济损失。传统诊断方法受限于劳动强度大、成本高以及依赖专家主观评估，增加了对自动化解决方案的需求。本研究在包含健康、柑橘溃疡病和黑斑病样本的橙果数据集上，系统比较了三种先进的深度学习架构——EfficientNet-B0、ConvNeXt-Tiny和Vision Transformer（ViT-B/16）。为增强泛化能力并缓解过拟合，将基于ImageNet预训练的迁移学习与Mixup和Cutout等先进数据增强策略相结合。实验结果表明，在这些技术的支持下，ConvNeXt-Tiny架构取得了最优性能，达到98.76%的准确率、99%的F1分数和99.95%的ROC-AUC。除数值指标外，本研究还利用可解释人工智能（XAI）探讨了模型透明度。研究评估了广泛使用的梯度加权类激活映射（Grad-CAM）方法以及随机输入采样解释方法（RISE），据我们所知，这是RISE在植物病害图像分析中的首批应用之一。RISE提供了更全面的果实表面区域可视化，展示了影响决策的区域，从而增强了可解释性。这些发现证实了现代深度学习在早期病害诊断中的巨大潜力，并表明XAI的整合显著提升了农业决策支持系统的可靠性。五折交叉验证实验和配对t检验分析进一步证实了这些发现的稳健性和统计显著性。