基于轻量级集成模型与可解释AI的刺果番荔枝叶病分类优化研究

针对传统深度学习模型在植物叶病检测中存在计算复杂度高、耗时长的问题，研究人员提出S-Ensemble轻量级集成模型，结合ResNet101特征提取、RFE特征选择和软投票分类器，实现刺果番荔枝叶病99.6%的检测准确率，并通过LIME解释模型决策，为农业实时病害诊断提供高效解决方案。

　　

在农业生产中，刺果番荔枝（Annona muricata Linn）因其抗糖尿病、抗炎和抗氧化特性备受关注，但叶片病害严重影响其药用价值和经济产出。传统深度学习方法存在模型复杂、计算资源消耗大、特征冗余等问题，且针对该作物的自动化病害检测研究几乎空白。现有技术多聚焦单一模型精度提升，忽视执行效率与可解释性，导致实际应用受限。

为解决这一难题，研究人员开发了S-Ensemble轻量级集成框架，通过融合六种深度特征提取模型（ResNet50/101、VGG19等）、五种特征选择方法（ANOVA、RFE等）和四类分类器（SVM、KNN等），构建软投票集成系统。研究采用3838张刺果番荔枝叶片图像（含6类病害），通过CLAHE增强和几何/光度变换预处理，结合交叉验证与网格搜索优化参数，最终利用LIME实现决策可视化。成果发表于《Current Plant Biology》。

3.1 数据集描述
采集自孟加拉国库什蒂亚的原始图像经标准化（512×512像素）、CLAHE对比度增强和随机旋转（±25°）等处理，构建包含切割毛虫病、白粉虱病等6类的平衡数据集。

4.1 特征提取模型性能
ResNet101以99.2%准确率（512秒）成为最优特征提取器，其残差学习结构有效缓解梯度消失问题，显著优于MobileNetV2（97%）和InceptionV3（93.5%）。统计验证显示ResNet101对比其他模型效应量（Cohen's d>1.39）具有临床意义。

4.2 特征选择优化
RFE在200特征维度下表现最佳，通过递归消除冗余特征，较ANOVA（500特征）提升模型效率。Lasso对DenseNet121等模型特征选择失效，突显方法依赖性。

4.4 S-Ensemble模型验证
五折交叉验证中模型保持99.42±0.20%稳定性能，量化后模型仅57MB，适合移动端部署。LIME热图显示其精准定位病斑区域（如切割毛虫病的孔洞边缘），而低效模型（Inception v3-PCA-SVM）因误判叶脉纹理导致29%准确率。

7.讨论
该研究首次实现刺果番荔枝叶病的实时精准检测，其INT8量化技术使模型可在4-12GB内存设备运行。相比传统CNN（如Peng等99.81%但耗时更长），S-Ensemble在648.05秒内达成99.6%准确率，且通过XAI增强农户信任度。未来将探索Vision Transformer等架构，并开发含治疗建议的移动应用。

这项研究为资源受限环境提供了兼顾精度与效率的农业AI范本，其模块化设计（特征提取-选择-集成）可扩展至其他作物病害检测，推动精准农业落地实践。