结合基于EDAS的多准则决策的多模型深度学习用于稳健的马铃薯叶病分类

《Potato Research》：Multi-Model Deep Learning with EDAS-Based Multi-Criteria Decision-Making for Robust Potato Leaf Disease Classification

　　马铃薯是一种在营养和经济方面都具有重要价值的作物。然而，其生产力受到叶部病害的不利影响。准确及时的病害检测至关重要。深度学习模型已取得显著进展，但针对专门数据集的研究仍然有限。现有框架大多基于一两个深度学习模型进行训练，并使用标准指标评估，缺乏用于综合模型评估的多准则决策。为弥补现有研究的不足，本研究做出三项关键贡献。构建了一个标注良好、类别平衡的数据集，包含5244张马铃薯叶片图像，代表六个类别。图像在不同环境条件下采集，以提升模型泛化能力。在基准数据集上评估了七个微调后的预训练卷积神经网络（CNN）。应用基于平均解距离的评估（EDAS）方法进行多准则模型排序，包括整体和各类病害的排序，从而实现了有效的模型选择。实验结果表明，InceptionV3优于其他模型，分类准确率为90.2%，EDAS得分为0.8805；其次是Xception（准确率89.6%，EDAS 0.7675）、DenseNet-201（准确率89.3%，EDAS 0.7238）、ResNet-50（准确率89.1%，EDAS 0.6223）、MobileNetV2（准确率87.9%，EDAS 0.5000）、GoogLeNet（准确率85.9%，EDAS 0.5000）和Darknet-53（准确率85.2%，EDAS 0.500）。基于EDAS的病害特异性模型排序显示，MobileNetV2以0.6460的平均满意度性能（ASP）获得整体最高性能。该模型在晚疫病和黑斑病上取得了优异结果（均为1.0000），在大多数其他类别上表现良好，但在早疫病上表现不佳。DenseNet-201（ASP 0.6124）和Xception（ASP 0.5525）紧随其后，在晚疫病、健康和黑斑病上得分较高。值得注意的是，所有模型都能完美检测晚疫病，但在检测早疫病方面持续失败。消融研究显示了骨干网络微调和L2正则化对InceptionV3的重要性。该模型实现了稳定的分类性能。鲁棒性测试在模糊、亮度变化、域偏移和噪声方面进行。扰动测试表明，模型对一般田间畸变具有抵抗力，但在极端噪声条件下表现不佳。这些发现显示了总体准确率与病害特异性优势之间的权衡，证明了EDAS在选择鲁棒、针对性模型方面的有效性。