深度学习通过基于图像的分类显著促进了植物病害的自动检测，提高模型的可解释性对于精准的病害检测至关重要。本研究目标是揭示模型用于其决策的特定视觉概念。

本项研究中，作者采用InceptionV3模型和PlantVillage数据集，将自动概念解释(Automated Concept-based Explanation ，ACE)方法应用于植物病害分类，以增强深度学习在农业疾病诊断中的可解释性。

研究结果表明，ACE能够通过自动识别关键的视觉概念，如斑点或感染区域提高基于深度学习的植物病害分类的可解释性，同时也能够解释例如来自背景或光照的误差。此外，ACE强调了模型在召回率和F1分数较低分组中难以处理的情况，这能够对模型进行针对性的最有益改进以提高模型稳健性。本研究结果对农业中生产中的植物病害管理是必不可少的。

作者强调，未来工作旨在应用ACE适用现实场景中更复杂、更多样化的数据集，并测试它对其他深度学习架构的适用性。以上将增加ACE的实用性，从而支持用户改进和提高模型的准确性和可信性。

图1. ACE方法提取和评价植物病害概念的步骤。

图2. 分类性能评价指标：精确率、召回率和F1得分。

图3. 应用实例。每一类显示三个TCAV得分较高和一个得分最低图像，每一类随机选择三个片段。

图4. 分番茄和马铃薯晚疫病应用实例。

图5. 区分健康叶片和染病叶片

图6.背景偏差

图7. 阴影偏差

图8. 召回率和F1 分数最低的分组显示出高TCAV分数