融合分层特征选择与动态多尺度卷积的核桃叶褐斑病精准分级方法及其在智慧农业中的应用价值

本研究提出了一种融合分层特征选择（HFSM）、边缘卷积融合（ECFM）与自适应多尺度扩张深度可分离卷积（AMSDDICM）模块的CogFuse-MobileViT模型，有效解决了核桃叶褐斑病边缘模糊、特征提取效率低的技术难题。模型在测试集上准确率达86.61%，较基准模型提升7.8%，为植物病害智能诊断提供了可靠的技术方案。

　　

1 引言

核桃叶褐斑病是由Leptostyla真菌引起的一种破坏性真菌病害，严重威胁核桃产量。在智慧农业发展中，植物病害的精准分级仍是核心技术难题，尤其是该病害存在病变边缘模糊和复杂特征提取效率低的问题，直接限制了病害分级的准确性。传统病害识别依赖人工经验，不仅耗时且主观性强。早期研究采用图像处理技术（如k-means聚类、Sobel算子边缘检测）进行病害分级，但传统方法在处理复杂纹理和模糊边界的植物叶片图像时存在分割精度不足的问题。

随着计算能力的不断提升，深度学习因其自动特征提取的卓越能力，成为解决复杂病变分割的关键技术。例如，基于UNet的BLSNet方法通过引入注意力机制和多尺度特征融合提高了分割精度；KijaniNet分割网络在复杂背景下对番茄叶片分割表现出优异性能。然而，这些方法在模糊病害边缘的特征捕获方面仍存在不足，难以实现病害等级间的细微差异区分。

近年来，深度学习在植物病害分类中的应用不断扩展。例如，基于ResNet50、MobileNet、EfficientNetB0和DenseNet121的集成学习分类模型通过统计交叉验证增强了泛化性能；结合Retinex增强、Faster R-CNN检测和VGG16分类的方法提高了模糊病叶的分级检测精度。尽管DenseNet结合RMSprop算法在番茄病虫害分类中达到了98.63%的准确率，但单一CNN架构在处理复杂植物病变和重叠多种病害时存在明显瓶颈，包括特征提取特异性不足和区分病变间细微差异的能力有限。

尽管深度学习在植物病变分割和病害分类方面取得了显著进展，但针对核桃叶褐斑病（其特征是边缘表示模糊和复杂的小病变）的分级任务仍面临 notable挑战。当前的基于MobileViT的混合模型分为两类：通用架构（如MobileViTv1/v2/v3）专注于自然图像的CNN-Transformer平衡优化；领域改进模型（如Mobile-Former/EdgeViT）面向医疗/工业任务，其任务焦点是定位而非分级，与痛点不匹配，无法解决农业病变的模糊性、组织干扰和形态变异问题。因此，本研究提出了一种专门用于病害分级的新型CogFuse-MobileViT模型。

2 材料与方法

2.1 核桃叶褐斑病的特征及病害严重程度分级

根据当地标准《核桃褐斑病防治技术规程》，核桃褐斑病分为四个严重程度等级。植物叶部病害的严重程度通常采用斑点覆盖法确定。在本研究中，对不同严重程度的核桃叶片进行处理，以分离病害感染斑点与健康叶片区域，并计算病变面积占总叶面积的百分比。参考当地标准，本研究通过计算重新确定了标准中规定的病害等级。

核桃叶褐斑病主要由Ophiognomonia leptostyla真菌感染引起。在感染初期，叶片上出现近圆形或不规则的小斑点，中心灰褐色，边缘暗黄绿色至紫褐色，病叶易提早脱落。在中后期，形成 elongated椭圆形或不规则的稍凹陷暗褐色病变，斑点尺寸较大，边缘浅褐色；病变中心常存在纵向裂纹。后期病变常 coalesce形成大的灼烧坏死区域，周围环绕黄色至金黄色的区域，病原菌的分生孢子器和分生孢子以小黑色颗粒的形式散布在病组织表面。根据受感染叶片颜色和纹理特征的变化程度，核桃叶病害分为四个阶段：健康期、早期、中期和晚期，对应病害严重程度等级：健康（0级）、轻度（1级）、中度（2级）和重度（3级）。

2.2 核桃叶褐斑病严重程度等级的计算算法

使用相机采集核桃叶褐斑病样本后，为最小化主观偏差，本研究严格遵循《核桃褐叶斑病防治技术规程》中定义的客观定量标准，利用病变面积百分比（K）作为主要分级指标，通过计算分析重新确定严重程度等级。

首先，采用基于Python的颜色分割算法，将图像从BGR颜色空间转换到HSV颜色空间进行处理。HSV颜色空间在颜色分割任务中具有固有优势。通过分析病区域的色调、饱和度和值特征，确定HSV空间中的颜色阈值范围。根据该阈值范围生成初始病区域掩码后，应用形态学操作（如闭运算和开运算）优化掩码质量，有效消除噪声同时保留病变轮廓的完整性。随后，将原始图像转换为灰度模式，并使用自适应阈值二值化算法提取叶区域。通过轮廓检测技术定位叶边界，并通过轮廓填充生成完整的叶掩码。对叶掩码和病掩码进行像素统计分析，分别计算总叶面积和病区域面积。当检测到有效叶面积（>0）时，使用以下公式计算病害严重指数：病害严重指数（%）= (S₁/S₂) × 100%，其中S₁为病区域总面积，S₂为完整叶总面积。

2.3 数据集构建

数据采集自塔里木大学核桃种植基地（新疆阿拉尔），时间介于2024年5月至10月。对新疆南部广泛种植的三种本地主导早实品种（‘文185’、‘新新2号’、‘扎343’）的叶片使用iPhone 13进行垂直拍摄。这种基因型多样性通过涵盖 varied病害表型确保了模型的泛化能力。果园采用标准化栽培，株距4m，行距5m（≈50株/亩），以及常规管理 practices。采样树木处于盛果期。为捕捉微环境中的病害 traits，样本从安全可及的冠层采集。数据集包括健康和感染褐斑病的叶片，涵盖三个严重程度等级，跨越不同时间段、光照条件和角度。去除重复和无效图像后，保留5,120张高质量JPG图像用于分析。

2.3.1 核桃叶褐斑病数据集的开发

病害严重程度分级通过定量病变面积分析建立。通过分层随机抽样从完整的5,120张图像数据集中选取512张图像（10%）作为代表子集，准确保留原始严重程度分布。为确保标注严谨性，两名植物保护专家（具有5年以上核桃病理学经验，并通过当地协议认证）执行标准化标注：预标注培训统一了模糊病例的诊断标准，仅在达到预校准 inter-rater一致性（Kappa系数≥0.75）后开始正式标注。如表2所示，双重统计指标 confirmed金标准可靠性—— inter-rater Cohen’s Kappa达到0.71，满足Landis & Koch的“实质性一致”阈值；算法-专家共识达到加权Fleiss’ Kappa为0.77，在多标注者场景中显著优于常规Cohen’s Kappa。三阶段标准化流程消除了预处理差异。最终数据集按8:2比例划分为训练集和测试集，严格遵循植物病害调查协议，并为深度学习模型开发提供基准数据。

2.4 核桃叶褐斑病严重程度分级模型的构建

2.4.1 优化的MobileViTv3网络：CogFuse-MobileViT

为解决核桃叶褐斑病严重程度分级中小病变特征难以捕获的挑战，本研究提出了创新的CogFuse-MobileViT模型。选择MobileViTv3作为骨干网络，因其混合MobileNet-ViT架构集成了基于CNN的局部特征提取（对病变细节捕获至关重要）和Transformer启用的全局上下文建模（对分析病变空间分布至关重要）。该设计与严重程度分级病理学要求对齐，需要同时关注局部病变特征和全局感染模式。轻量级架构进一步支持在嵌入式设备上的实时处理， enabling未来田间部署。

该模型体现了“分级任务驱动”的设计原则。概念上，它建立了一个病害特异性框架，即“分层筛选到边缘增强再到动态融合”。该框架将通用特征提取提升为针对性解决方案，解决三大农业挑战：通过分层筛选抑制健康组织干扰，解决特征混淆；通过边缘增强加强模糊病变轮廓，克服边缘模糊瓶颈；通过动态融合自适应处理多阶段形态变异，应对形态变异挑战。结构上，该网络实施了渐进式特征提取策略。分层特征选择模块（HFSM）首先融合浅层和中层特征，采用分层注意力机制增强语义一致性同时保留空间细节。边缘卷积融合模块（ECFM）随后处理这些特征，利用可学习Sobel算子提取边缘信息，并通过残差连接与常规卷积特征融合以增强边缘感知能力。最后，自适应多尺度扩张深度可分离卷积模块（AMSDDICM）启用对多尺度边缘特征的自适应处理，该模块既能捕获微小病变中的精细边缘变化，又能把握大病变的整体轮廓结构，从而全面覆盖不同发育阶段的边缘特征。基于这些增强的边缘特征，网络准确输出最终病害严重程度等级。

2.4.2 分层特征选择模块（HFSM）

HFSM是本研究中提出的一种创新架构。与MobileViT的直接特征拼接不同，HFSM利用可学习提示向量生成空间掩码，动态抑制非病变区域。这种任务驱动的选择对微小物体至关重要。在核桃叶褐斑病分级任务中，该模块利用局部注意力机制关注核桃叶的微区域，融合浅层和中层特征。同时，分层特征选择机制 enables精确捕获局部细节特征（如病变纹理和颜色），有效抑制健康叶区域的干扰，增强病害特征。这为褐斑病分级提供了高判别性特征表示，同时为后续病变边缘处理做准备。

该模块处理两个分层特征图。初始1×1卷积将两个特征图的通道数减少到输出维度的一半以削减计算负载。一个减少后的特征图 undergo双线性上采样以与另一个特征图空间对齐。这些对齐的特征求和并通过3×3卷积处理生成基路径特征。同时，原始减少的特征图和上采样特征图被馈送到双局部-全局注意力模块进行并行处理。每组包含局部和全局分支。在分支处理期间，特征图被划分为P×P非重叠补丁通过Unfold操作。计算每个补丁内像素特征的平均值后，结果使用以下核心公式处理：注意力分布生成。

公式将补丁特征的平均值通过多层感知机（MLP）和层归一化（LayerNorm）转换为高维特征向量，然后通过Softmax函数生成注意力分布。该机制使模型能够关注病变区域的关键特征，减弱健康叶区域的干扰，增强特征选择的特异性，并为后续精确分级提供高质量特征。两个模块输出的局部和全局特征沿通道维度拼接后，与基路径特征结合生成最终处理模块的输出特征。

对于健康组织超过80%的叶图像，通过可学习提示向量生成动态掩码，抑制绿色纹理特征同时增强病变的灰褐色特征。

2.4.3 ECFM边缘卷积融合模块

在核桃叶褐斑病分级任务中，病变边缘特征对准确确定病害严重程度至关重要。标准MobileViT依赖CNN-Transformer块隐式学习边缘，而ECFM融合了Sobel卷积、常规卷积和残差连接，有效融合边缘特征与通用特征，从而增强边缘细节。

Sobel分支采用Sobel卷积提取图像边缘信息，准确捕获褐斑病变的轮廓细节；卷积分支通过标准卷积捕获通用特征（如叶颜色和纹理）。两者通过核心公式实现特征融合：处理输入特征图通过Sobel卷积算子（SobelConv）专门提取病变的边缘信息（如病变与健康组织之间的边界轮廓和小病变的边缘纹理）。对于褐斑病中常见的模糊边缘，Sobel卷积可以增强边缘梯度变化，使原本模糊的病变轮廓更清晰，从而为后续分级提供关键边缘特征支持。

常规特征提取和融合：通过标准卷积提取叶片的整体特征（如病变的颜色分布和叶片的整体纹理），形成对边缘特征的补充，防止模型仅关注局部边缘而忽略全局病变信息。沿通道维度拼接边缘特征S和常规特征C，实现边缘细节与全局特征的初步融合。这种融合使模型既能识别病变的精细轮廓，又能结合病变的整体颜色和纹理变化判断病情，从而提高分级准确性。该模块还引入了特征加法和后续卷积操作：融合特征首先通过第一卷积层处理，相应操作结果与原始输入相加，并通过第二卷积层生成最终输出。在此过程中，残差连接保留了原始特征信息，进一步加强了边缘特征与常规特征的整合，确保了多级特征的有效传递和增强。

Sobel卷积提取的边缘梯度信息（如病斑与健康组织之间的灰度差异）和常规卷积的纹理特征（如坏死区域的粗糙度）通过残差连接融合。这不仅保留了早期病变的模糊边缘，还防止了边缘特征与整体纹理脱节。

2.4.4 AMSDDICM自适应多尺度扩张深度可分离卷积模块

该模块与MobileViT的单尺度卷积不同，利用多形状卷积核从多个维度准确提取圆形、不规则和其他形状的病变特征，从而识别病变边缘和内部颜色的细微差异以丰富特征维度。同时，采用深度可分离卷积以适应病害发展不同阶段的病变尺度。具体地，输入特征首先分成两组，每组进入AMSDDICM模块通过多尺度深度可分离卷积提取特征。使用动态权重机制（全局池化+卷积+softmax）生成融合多尺度特征的权重。两组处理后的特征被拼接，最后通过1×1卷积完成跨通道融合以输出最终优化特征。整个过程集成了多尺度卷积、动态权重分配和特征融合，以增强模型捕获复杂特征的能力。

针对早期小斑点（直径1-3mm）和晚期融合斑点（超过20mm）之间的形态差异，动态权重机制使模型能够自适应分配3×3核（用于捕获局部纹理）和11×1核（用于提取条状扩散特征）的贡献。这解决了传统Inception架构中固定权重在适应多尺度形态方面的局限性。

当输入特征张量X进入AMSDDICM模块时，首先进行特征分组操作：输入特征沿通道维度均匀分成两组，每组包含原始通道数的一半（c//2）。这种分组策略不仅降低了计算复杂度，还为后续多尺度特征提取创造了条件。每个特征组被馈送到独立的DMSconv2d模块，该模块采用不同配置（如3×3、5×5方形卷积核和1×11、11×1条状卷积核）——方形核捕获局部纹理，而条状核提取方向敏感的长程依赖。这种动态权重分配灵感来自农业物联网系统中的自适应策略。类似于盐分感知ETs模型在盐胁迫下优先处理土壤电导率特征，我们的机制选择性地放大对严重程度分级关键的病变形态特征。

DMSconv2d的动态权重机制通过全局平均池化和1×1卷积生成权重，核心公式如下：加权基本特征生成：通过全局平均池化（AvgPool2d）压缩输入特征的空间维度，保留全局统计信息（如不同尺度病变的整体分布特征），然后通过1×1卷积进行维度转换以生成计算动态权重的基特征。该步骤为后续权重分配提供了基础，使模型能够初步评估不同尺度特征的重要性。权重归一化：使用softmax函数对权重进行归一化。基于动态权重对不同卷积核提取的特征进行加权融合。对于表现出尺寸异质性和形态复杂性的核桃褐斑病变——从早期圆形微病变到晚期融合不规则病变——该机制自适应调节多尺度特征的贡献，优先保留形态判别特征（小病变中的局部纹理或大病变中的方向分布），从而全面捕获发育阶段的病理特征。处理后的特征进行通道级拼接以生成优化输出。

2.5 核桃叶褐斑病严重程度分级的实验流程

核桃叶斑病严重程度分级的整体流程图展示了该过程的三个阶段。首先是图像采集阶段，采集核桃叶的原始图像以构建包含待分类图片的图像数据库。接下来是图像预处理阶段，依次计算和分类病害严重程度等级，建立图像标签，并执行图像预处理操作。随后，处理后的数据用于训练构建的数据集。最后，在模型训练和性能评估阶段，将预处理图像输入模型进行核桃叶褐斑病分类，然后对模型的分类结果进行性能评估以确定模型的有效性和准确性。

2.6 实验参数与评估指标

2.6.1 测试环境与超参数设置

本研究的实验设置基于深度学习技术并利用高性能计算资源。所有实验在Windows 10操作系统上进行。硬件平台由AMD Ryzen 7 3700X处理器和NVIDIA RTX 2080Ti显卡组成。软件环境使用Python 3.8、PyTorch 1.13.0深度学习框架和CUDA 11.3并行计算平台构建。此外，选择了PyTorch 1.13.0——一个因其高灵活性而被广泛采用的开源深度学习库，使其非常适合研究和开发。

在模型训练期间，对超参数进行了多次调整以比较测试结果并选择最佳超参数组合。模型接受尺寸为224×224像素的输入图像，训练时配置的批大小为32，最大训练周期为100。优化器采用初始学习率为0.003。

2.6.2 评估指标

本文旨在评估模型性能并验证改进措施的有效性。我们选择了多个评估指标，所有后续实验结果采用5折交叉验证计算平均值的方法，以全面可靠地评估模型性能。包括精确率（P）、召回率（R）等。这些指标可以使用以下公式计算。

五折的指标值的算术平均值：m? = (1/5) ∑_i=1⁵ m_i

精确率 = TP / (TP + FP)

召回率 = TP / (TP + FN)

F1分数 = (2 TP) / (2 TP + FP + FN)

宏平均精确率 = (1/C) ∑_i=1^C P_i

宏平均召回率 = (1/C) ∑_i=1^C R_i

加权平均精确率 = ∑(N_i · Precision_i) / ∑N_i

加权平均召回率 = ∑(N_i · Precision_i) / ∑N_i

加权平均召回率 = (∑_i=1^C TP_i) / N

3 实验与结果分析

3.1 核心模块设计与有效性实验验证

3.1.1 HFSM模块必要性对比测试

为验证CogFuse-MobileViT框架内分层特征选择模块（HFSM）的必要性，本研究与两种主流轻量级注意力模块：SE（Squeeze-and-Excitation）和CBAM（Convolutional Block Attention Module）进行了对比测试。如表4所示，HFSM模块实现了显著更高的86.61%准确率，分别优于SE模块和CBAM模块7.38%和4.46%。这表明其分层特征选择机制更有效地捕获判别性特征。在计算效率方面，HFSM的参数和FLOPs与SE模块和CBAM模块保持相当，表明其性能突破源于等效轻量级约束下的创新结构设计。综合结果证实，用SE或CBAM模块替换HFSM将导致性能下降超过4%，从而验证了HFSM在CogFuse-MobileViT框架内实现高效特征选择方面不可或缺的价值。

3.1.2 AMSDDICM中的卷积核选择

通过核组合消融研究的严格验证表明。混合配置（3×3 + 5×5 + 1×11）显著优于仅方形核（3×3 + 5×5）：准确率86.61%对82.15%，阶段特异性召回增益。中期病变（2级）提高9.4个百分点。晚期病变（3级）提高6.1个百分点。这实证验证了1×11矩形核对于捕获线性病理特征的必要性，克服了各向同性核在检测各向异性结构方面的局限性。

3.1.3 新模块对计算复杂性的影响

图8显示，HFSM模块带来169%的FLOPs增加，以实现早期病变检测的突破性改进——将0/1级误分类减少24%，从而为严重程度分级奠定病理学基础。ECFM模块仅贡献3%的FLOPs增量，却通过增强的边缘特征表示驱动了3.68个百分点的准确率增益。AMSDDICM模块仅以0.028G FLOPs的开销（1.3%），实现了多尺度病理变形的自适应融合，最终带来7.80个百分点的准确率飞跃。这些模块形成级联优化范式：HFSM的 substantial成本解决了核心病理瓶颈，而后续模块带来超线性回报——以仅14%的额外FLOPs收获6.85个百分点的准确率增益——共同建立了全局最优的计算-性能平衡。

3.1.4 不同模块融合对模型性能影响的比较

为验证模块融合的效果，表6比较了不同组合下的模型性能。当仅引入HFSM时，精确率从基线82.23%提高到83.77%，但召回率下降3个百分点至72.31%，导致F1分数略微下降至78.04%。准确率上升至82.15%，表明模型的整体分类正确性有所提高，但存在漏检的潜在风险。

当协同引入HFSM和ECFM时，精确率提高到86.34%，召回率恢复到74.69%，F1分数和准确率均显著优化。HFSM通过分层注意力机制融合浅层和中层特征，为后续边缘特征处理奠定基础；ECFM增强病变边缘特征。两者结合有效提高了特征表示的完整性和病变边界的清晰度。

HFSM和AMSDDICM的组合进一步将召回率推至76.24%，准确率至83.94%，F1分数至80.79%，优于HFSM+ECFM组合。AMSDDICM通过注意力引导的多尺度细节融合弥补了HFSM在局部特征细化方面的不足，该融合整合了多层细节特征权重，特别适用于小目标或特征模糊的场景。

当三个模块协同工作时，所有指标达到最优水平：与基线相比，精确率、召回率、F1分数和准确率分别提高了12.19%、7.67%、9.62%和10.00%。其中，HFSM为跨层特征融合奠定基础，ECFM有效整合边缘特异性特征与通用特征以增强图像边缘信息，AMSDDICM通过注意力机制自适应融合多尺度和多类型特征，形成从“分层特征提取”到“边缘语义增强”再到“多层细节融合”的渐进优化链。实验结果显示精确率和召回率均衡提升，表明三个模块的融合使模型更能专注于学习小褐斑病变的特征，从而提高了其分类性能。这种结合分层选择、显式边缘增强和自适应多尺度融合的协同任务特异性设计，从根本上将CogFuse-MobileViT与先前为通用视觉或定位任务设计的MobileViT混合模型区分开来。

3.1.5 不同模块组合对级别（0-3）F1分数的影响

为验证每个模块对特定病害级别的针对性改进，我们进行了以下对比实验。当单独引入HFSM时，0级的F1分数从83.10%提高到85.60%，有效减少了健康叶与早期病变之间的特征混淆。添加ECFM后，1级的F1分数从73.20%（仅HFSM）上升到79.80%，显著减轻了由小病变边缘模糊引起的识别偏差。AMSDDICM将3级的F1分数从80.37%提高到85.54%，增强了对大规模融合焦枯区域形态的适应性。在三个模块的协作下，0-3级的F1分数分别达到93.99%、82.57%、84.28%和85.54%，实现了所有级别性能的均衡优化。

3.2 不同算法结果比较及统计显著性验证

3.2.1 不同分类模型分级结果比较

为验证CogFuse-MobileViT模型的有效性，我们选择了9种常用分类模型与优化的CogFuse-MobileViT模型进行比较，结果是120个周期5折交叉验证的平均值。如表7所示，所提出的CogFuse-MobileViT模型在识别不同严重程度级别的核桃叶褐斑病方面，在精确率、召回率和F1分数所有指标上均实现了最高的分级性能。改进的CogFuse-MobileViT模型表现出86.61%的准确率，相对于原始模型提高了7.80个百分点。总体而言，实验结果突出表明，增强的CogFuse-MobileViT模型更有利于关注病变边缘细节并准确学习核桃叶褐斑病不同严重程度的特征，从而提高了模型的分类性能。

3.2.2 不同算法性能与可靠性验证比较

在模型训练中，为量化结果的可靠性并避免单次实验的随机偏差，本研究采用5折交叉验证生成95%置信区间。结果表明，CogFuse-MobileViT以86.61%的准确率（95% CI: [85.24%, 87.89%])显著领先。其最窄的置信区间范围表明最强的泛化能力。在比较模型中，MobileViTv3的95% CI为[77.20%, 80.42%]；其下限显著低于CogFuse-MobileViT，证实7.8%的性能改进并非由于随机波动。此外，通过5折交叉验证构建的置信区间进一步突出了实验结果的可靠性。

3.2.3 模型改进的统计显著性验证

为统计评估CogFuse-MobileViT相对于基线MobileViTv3的性能改进，进行了独立样本t检验。对于每种模型架构，进行了五次独立训练运行。零假设 stating CogFuse-MobileViT的平均准确率等于MobileViTv3的平均准确率，而备择假设 stating CogFuse-MobileViT具有更高的平均准确率。CogFuse-MobileViT实现了平均准确率，显著优于MobileViTv3。独立样本t检验证实了这种改进（t(8)=18.92, p=3.7×10^?8）。

在5折交叉验证下，CogFuse-MobileViT在前20个周期内实现快速收敛，表现出更高效的特征学习能力。进入稳态阶段后，其验证损失比基线MobileViTv3降低了5倍以上，直接证实了更小的预测误差和卓越的泛化能力。同时，CogFuse-MobileViT平滑且波动最小的损失曲线反映了对数据噪声和分布变化的强大鲁棒性。结合先前从准确率置信区间和独立t检验的统计发现，这些结果共同验证了改进模型的统计显著性。

3.3 模型结果分析 不同模型性能比较

图11A显示，在核桃叶褐斑病严重程度分级任务中，所有模型的分类准确率随着训练周期增加逐渐提高并趋于稳定，表明模型在学习过程中不断优化直至收敛。CogFuse-MobileViT表现突出：它实现了快速的准确率提升，在相对较早的训练周期达到高水平，且后续波动最小，稳定保持最高准确率， demonstrating快速收敛和强大的泛化能力，能高效提取区分不同病害级别的特征。DenseNet在训练后期也保持了高准确率，但其准确率提升较慢，收敛速度和最终稳定性略逊于CogFuse-MobileViT。ResNet和RegNet等模型准确率增益有限，上升趋势平缓，其最终稳定准确率值显著较低，反映了可能由于网络架构或参数优化效率导致的