基于混合交叉对立萤火虫优化与深度迁移学习的植物叶片病害分类方法

为解决农业中植物叶片病害手动检测成本高、效率低的问题，研究人员提出了一种创新的集成深度迁移混合交叉对立萤火虫模型（Ensemble Deep Transfer-based Hybrid Crossover Oppositional Firefly）。该模型通过中值滤波、Min-Max归一化和数据增强进行预处理，结合深度迁移学习（DTL）与集成权重平均模型实现特征提取与分类，并采用交叉对立萤火虫优化算法调参。实验表明，该模型在复杂背景叶片图像分类中准确率达更高水平，耗时仅6.3秒，显著优于现有方法。

　　

现代农业中，作物叶片病害的精准诊断是提升产量的关键。传统人工检测方法存在计算成本高、效率低等瓶颈。为此，这项研究构建了一套融合混合交叉对立萤火虫优化（Hybrid Crossover Oppositional Firefly）与深度迁移学习（Deep Transfer Learning）的智能分类系统。

该模型采用三级处理流程：首先通过中值滤波消除图像噪声，结合Min-Max归一化进行数据标准化，再运用数据增强技术扩充样本。特征提取阶段，创新性地集成多个深度迁移学习网络的权重平均值（ensemble weight average），显著提升特征表达能力。分类性能优化方面，引入交叉对立策略改进的萤火虫算法（crossover oppositional-based firefly optimization），实现超参数智能调优。

在三个典型植物病害数据集上的测试显示，该模型以6.3秒的超短耗时达成分类准确率突破，较现有技术提升显著。尤其对复杂背景下的病叶图像展现出强大鲁棒性，为农业智能化监测提供了高效解决方案。