基于改进GoogLeNet的玉米叶片病害识别及其可解释性研究

来源：中国农机化学报杂志2025年第1期北京时间：

作者：牛潘婷, 张宝林, 潘丽杰, 郭建鹏(

单位：1. 内蒙古师范大学化学与环境科学学院，呼和浩特市，010020； 2. 内蒙古自治区环境化学重点实验室，呼和浩特市，010020； 3. 内蒙古节水农业工程研究中心，呼和浩特市，010020

摘要：为加强农作物病害的识别，减少病害发生的频率与强度，提高农作物产量与品质，基于迁移学习构建5种深度学习网络，对玉米叶片锈病、大小斑病和灰斑病进行识别分类研究。通过对比AlexNet、VGG19、ResNet50、GoogLeNet和MobileNetV2深度学习网络，GoogLeNet的识别准确率最高，达到96.3%，模型收敛效果最好。通过进一步优化GoogLeNet模型架构，在inception模块中插入卷积注意力模块CBAM，使用LeakyReLU激活函数替换ReLU函数，改进后网络通道注意力增强，测试集的识别准确率达到99.0%，识别准确率提高2.7%。采用CAM和LIME算法对模型的可解释性分析，改进后网络的可解释性增强，更好地关注叶片病害部分。

关键词：深度学习,玉米叶片病害,迁移学习,可解释性,图像处理

基金资助：内蒙古自然科学基金项目（2022LHMS03009）；内蒙古自治区科技重大专项课题（2021ZD0003—1）；内蒙古师范大学基本科研业务费专项资金（2022JBTD009）