基于特征融合与山地瞪羚优化算法的黄麻害虫智能识别框架及其在可持续农业中的应用

针对可持续农业中黄麻害虫早期检测难题，土耳其Malatya Turgut Ozal大学团队提出融合DarkNet-53与DenseNet-201特征提取的AI模型，结合新型山地瞪羚优化算法(MGO)进行特征选择，实现17类害虫96.779%的高精度识别。该研究通过特征融合与元启发式优化技术突破传统检测局限，为作物保护提供高效解决方案。

　　

在可持续农业发展中，黄麻作为仅次于棉花的重要经济作物，其产量与品质常受害虫威胁。传统害虫识别依赖专家目视检查，存在效率低、覆盖范围有限等问题。尽管深度学习在植物病害识别中已有广泛应用，但针对黄麻害虫的智能检测研究仍属空白。现有方法面临特征冗余、计算效率低等挑战，亟需开发兼顾精度与速度的新型算法。

土耳其Malatya Turgut Ozal大学计算机工程系的Soner Kizioluk团队联合沙特、韩国学者，在《Scientific Reports》发表研究，提出融合双通道卷积神经网络与山地瞪羚优化算法(Mountain Gazelle Optimizer, MGO)的创新框架。研究采用公开数据集JutePestDetect（6,828张图像，17类害虫），通过并行提取DarkNet-53(conv53层)和DenseNet-201(fc1000层)的2,000维特征，利用MGO进行特征选择后以支持向量机(SVM)分类，最终实现96.779%的识别准确率，较基线模型提升4-8%。

关键技术包括：1) 双模型特征融合（DarkNet-53+DenseNet-201）；2) 新型元启发式算法MGO进行特征选择（种群数10，迭代100次）；3) 五类分类器对比验证（SVM/FT/LD/KNN/ES）；4) 免数据增强的端到端处理流程。

研究结果：

1. 模型比较实验
   六种预训练模型中，DarkNet-53(92.5%)与DenseNet-201(92.6%)表现最优。特征融合后准确率提升至93.9%，证实多特征互补性。

2. MGO优化效能
   MGO将特征维度压缩至最优子集，使SVM分类准确率从93.9%提升至96.779%，标准差仅0.199。其四大行为机制（TSM/MH/BMH/MSF）有效平衡探索与开发。

3. 分类性能分析
   混淆矩阵显示17类中8类达到100%召回率，最难识别的Class 2(76.1%)因形态相似性存在误判。宏观F1-score达0.966，证明模型鲁棒性。

结论与意义：
该研究首次将MGO算法应用于农业图像分析，通过特征融合与智能优化的协同设计，突破传统模型在黄麻害虫检测中的性能瓶颈。相比现有研究（如MobileNet-SSD-v2的89.2% mAP），本方案在未使用数据增强的情况下实现更高精度，为田间实时监测提供可能。未来可通过移动端部署与多模态数据融合进一步优化实用性，推动可持续农业的智能化发展。