基于预训练深度学习模型的木瓜叶部病害分类对比研究及其在精准农业中的应用价值

来自全球的研究人员针对木瓜叶部病害早期诊断难题，开展了一项基于EfficientNetB3、InceptionV3、MobileNetV3和VGG16四种预训练卷积神经网络的对比研究。通过对1574张田间采集图像（含炭疽病、细菌性斑点病、轮纹病及健康叶片四类）的系统测试，发现VGG16以95.42%准确率和0.9753的F1-score表现最优，为精准农业中的自动化病害监测提供了可靠模型选择方案。

　　

准确识别木瓜叶部病害对早期防控和产量保障至关重要。这项研究对四种预训练卷积神经网络(CNN)模型——EfficientNetB₃、InceptionV₃、MobileNetV₃和VGG₁₆——进行了横向对比测试。数据集包含1574张田间拍摄图像，涵盖炭疽病(Anthracnose)、细菌性斑点病(Bacterial Spot)、轮纹病(Ring Spot)和健康叶片四个类别。所有模型在相同实验条件下训练测试，确保公平性。

结果显示，EfficientNetB₃测试准确率达94.58%，而VGG₁₆以95.42%稍胜一筹。InceptionV₃(92.50%)和MobileNetV₃(92.92%)紧随其后。在细分病害类别中，VGG₁₆表现稳定：轮纹病F₁-score达0.9753，炭疽病0.9550；相比之下，InceptionV₃对炭疽病的识别波动较大(F₁-score=0.9126)。加权平均值证实VGG₁₆在所有类别均保持稳定输出。虽然MobileNetV₃准确率略低，但其轻量化特性适合移动端部署。

这项研究揭示：在相同训练条件下，VGG₁₆展现出更优异的泛化能力。该成果为精准农业领域的病害自动监测系统提供了重要模型选型依据，未来可助力实现"早发现、早治疗"的智慧植保目标。