基于多架构CNN框架与MBConv-SE优化的水果病害智能分类系统

为解决传统水果病害分类方法效率低、误差率高的问题，研究人员开发了一种融合ResNet、DenseNet和EfficientNet的多架构CNN混合模型。通过MBConv-SE模块实现特征优选，结合残差通路与数据增强技术，在苹果（99.99%准确率）、番石榴（99.60%）和芒果（99.68%）病害分类中表现卓越，为智慧农业提供实时检测方案。

　　

精准的水果病害分类对农业生产至关重要，而传统人工检测方式仍存在效率低下且易出错等缺陷。这项研究提出了一种革命性的混合模型，巧妙整合了残差网络(ResNet)、稠密连接网络(DenseNet)和高效网络(EfficientNet)等多架构卷积神经网络(CNN)，有效解决了类内变异和数据集不平衡等关键挑战。该模型创新性地采用移动倒置瓶颈卷积(MBConv)结合压缩-激励(Squeeze-and-Excitation, SE)模块，实现了特征通道的智能加权；通过残差连接优化梯度流动，配合数据增强技术显著提升了模型泛化能力。

研究团队在三个典型水果病害数据集上进行了系统验证：包含4类病害的9714张苹果图像、3类病害的3403张番石榴图像以及5类病害的5000张芒果图像。测试结果表明，该混合模型展现出近乎完美的分类性能：在苹果病害分类中取得99.99%的准确率(Accuracy)、精确度(Precision)、召回率(Recall)和F₁-score；番石榴和芒果病害分类准确率分别达到99.60%和99.68%，全面超越现有先进方法。

该研究的突破性创新体现在三个方面：通过稠密连接实现特征复用、基于通道注意力机制的特征优化，以及采用全局平均池化(Global Average Pooling, GAP)提升计算效率。这些技术突破不仅证实了模型的鲁棒性和可扩展性，更为智慧农业系统中的实时病害检测提供了切实可行的解决方案，标志着农业人工智能领域的重要进展。