基于深度学习和元启发式算法的智能农业高效病害预测模型提升作物生产力

本研究针对植物病害严重影响全球农业生产的难题，来自未知机构的研究人员开发了一种结合深度学习和集成学习的智能农业病害预测系统。通过GAWF去噪增强、MRU-Net病灶分割、CNN与IViT特征提取，采用XGB/GB/AdB-DT集成分类器，在PlantVillage、PlantDoc和Pigeonpea数据集上分别达到99.74%/99.51%/99.57%的准确率，为作物病害智能诊断提供了高精度解决方案。

　　

植物病害被列为全球农业生产中最严峻的挑战之一。常规监测与精准检测对于病害防控至关重要，而智能农业技术为此提供了关键解决方案。尽管已有大量研究致力于基于智能农业的病害预测模型，但始终缺乏整体系统化方案。

本研究创新性地融合深度学习与元启发式技术，构建了从图像预处理到疾病分类的完整技术链条。首先通过高斯修正维纳滤波器(GAWF)进行噪声消除与对比度增强，随后采用改进型残差U-Net(MRU-Net)模型精准提取病害显著区域。特征提取阶段联合卷积神经网络(CNN)与改进视觉Transformer(IViT)模型捕获多维特征，最终通过集成XGBoost(XGB)、梯度提升(GB)和AdaBoost-决策树(AdB-DT)的堆叠分类器实现疾病分类。

该模型在PlantVillage数据集达到99.74%准确率，在PlantDoc真实场景数据集取得99.51%准确率，在鹰嘴豆叶片病害数据集获得99.57%准确率，显著提升了跨数据集泛化能力。研究还采用梯度加权类激活映射(Grad-CAM)技术提供可视化诊断依据，为农业病害智能诊断建立了新的技术标杆。