基于非线性模糊排序集成方法(NL-FuRBe)和图像增强的柑橘叶片病害精准诊断研究

本研究针对柑橘叶片病害早期诊断难题，创新性地提出结合图像增强技术与非线性模糊排序集成方法(NL-FuRBe)的智能检测系统。团队通过向量值各向异性扩散(VAD)和形态学滤波提升图像质量，整合VGG19、AlexNet和Xception三种深度学习模型，采用指数函数和双曲正切变换的模糊排序机制解决预测不确定性，在1354张九类柠檬病害图像数据集上实现96.51%的准确率，为精准农业提供高效自动化解决方案。

　　

柑橘作为全球重要的经济作物，其产量和品质正受到日益严重的病害威胁。传统依赖人工观察和实验室检测的方法存在效率低、主观性强且难以早期识别的缺陷。尤其像黄龙病(HLB)、柑橘溃疡病等病害在早期症状轻微但传播迅速，每年造成数十亿美元损失。随着计算机视觉和人工智能技术的发展，基于深度学习的自动化诊断系统成为研究热点，但现有方法仍面临图像噪声干扰、模型泛化能力不足等挑战。

为突破这些技术瓶颈，Bobbinpreet Kaur等研究者提出创新性解决方案，相关成果发表在《Scientific Reports》。该研究首先构建包含1354张图像的九类柠檬病害数据集，涵盖炭疽病、细菌性疫病等8种病害和健康叶片。通过向量值各向异性扩散(VAD)和顶帽-底帽形态学滤波(THBH)进行图像增强，采用峰值信噪比(PSNR)、结构相似性(SSIM)等指标验证预处理效果。核心创新在于设计非线性模糊排序集成模型(NL-FuRBe)，整合VGG19、AlexNet和Xception三种卷积神经网络，利用双曲正切(tanh)、指数函数和Sigmoid变换生成模糊排序分数，通过乘积融合策略实现最终决策。

关键技术方法

研究采用五折交叉验证，使用Adam优化器(学习率0.001)训练模型。图像预处理阶段通过VAD算法保留边缘特征，THBH滤波增强对比度；模型集成阶段创新性地将三类深度学习模型的概率输出经非线性变换后计算秩得分，有效降低单一模型偏差。实验在配备TPU的Google Colab平台完成，输入图像统一缩放至128×128像素。

图像质量提升验证

比较VAD与THBH滤波器的客观指标显示，VAD在炭疽病样本中PSNR达29.7dB、NIQE仅5.07，显著优于THBH的28.23dB和8.25。这种优势在细菌性疫病等多数类别中保持稳定，证实VAD能更好平衡去噪与细节保留。

模型性能比较

五折验证表明，NL-FuRBe集成模型准确率达96.51%，显著高于独立模型表现（AlexNet 85.26%、VGG19 90.34%、Xception 92.25%）。特别在蜘蛛螨检测中召回率提升至91%，而传统方法仅68%。混淆矩阵显示系统对炭疽病保持98%高灵敏度，但存在与卷叶病毒混淆情况。

计算效率分析

集成模型单样本推理时间仅0.000171秒，远低于Xception的0.016672秒，证明其适合实时部署。消融实验证实预处理使整体准确率提升5%，其中AlexNet受益最大（+5.7%）。

这项研究通过创新的模糊排序机制解决了多模型集成中的置信度量化难题，VAD预处理有效克服了农业图像常见的噪声和光照不均问题。相比现有技术，NL-FuRBe在保持高精度的同时大幅降低计算成本，为田间移动设备部署奠定基础。研究者建议未来可扩展至混合病害检测，并探索轻量化模型适配无人机巡检系统。该成果不仅推动植物病理学诊断技术进步，更为可持续农业发展提供了可推广的智能化解决方案。