一种利用深度学习框架进行植物病害检测的可持续方法，旨在为节能型农业消费电子产品提供支持

《Information Processing in Agriculture》：A sustainable approach to plant disease detection using deep learning framework for energy-efficient agricultural consumer electronics

　　塔拉哈·阿克拉姆（Tallha Akram）|奥默·楚克泰（Omer Chughtai）|艾曼·卡赫马什（Ayman Qahmash）|加达·阿特亚（Ghada Atteia）|马尔瓦·祖尔菲卡尔（Marwa Zulfiqar）|优素福·阿尔瑟维（Youssef Altherwy）|沙巴布·阿里·阿尔加姆迪（Shabbab Ali Algamdi）|纳迪亚·N·卡德里（Nadia N. Qadri）
沙特阿拉伯阿尔-哈尔杰（Al-Kharj）萨塔姆·本·阿卜杜勒阿齐兹大学（Prince Sattam bin Abdulaziz University）计算机工程与科学学院信息系统系，邮编11942

**摘要**
随着对农业生产效率需求的增加，植物病害问题日益突出，导致作物损失和重大经济损失。早期发现植物病害可以节省关键资源，防止进一步的作物损害，从而确保可持续的农业实践。然而，现有的植物病害分类方法往往存在局限性，包括高计算成本、资源限制以及对互联网的依赖，尤其是在农村农业地区。为了解决这些问题，我们提出了一种新的边缘-云协作框架，该框架结合了优化的卷积神经网络（CNN）模型，以实现准确且节能的植物病害分类。该框架利用边缘设备进行本地实时处理，以减少延迟和能耗，同时利用云资源处理计算密集型任务，确保可扩展性和鲁棒性。所提出的框架提供了一种协作处理机制：边缘设备执行基于原始输入的特征提取和初步分类任务，而云服务器则负责汇总和完善全局模型。定制的CNN设计轻量级，能够灵活整合特征提取和分类层，以相对较低的资源消耗实现高精度。本研究的主要贡献包括：一种独特适应资源受限环境的可扩展架构、一种高效的植物病害分类CNN架构，以及在多种数据集上的广泛评估。仿真结果表明，该框架在PlantVillage数据集上的准确率达到了99.3%，F1分数为0.998；在玉米数据集上的准确率为97.12%，F1分数为0.971；在马铃薯叶病数据集上的准确率为99.45%，F1分数为0.994。这些结果证实了该框架的有效性，并通过实现实时、资源高效的植物病害检测，为可持续农业实践做出了贡献。

**1. 引言**
人口的增长显著提高了对各种作物的需求，尤其是特定水果和蔬菜。在以农业为主的经济体中，植物病害每年都会造成巨大的经济损失[1]。病毒、真菌、线虫和细菌等多种因素会导致作物病害的发生。这些病害的影响不仅限于经济层面，还会降低作物的质量和产量[2]。应对这些挑战的主要策略是早期识别和分类不同的植物病害[3]。毫无疑问，诊断延迟会导致作物损害加剧和收入损失。在缺乏技术资源的地区，农民通常依赖视觉评估来识别病害，这一过程既费力又容易出错[4]。因此，迫切需要一个自动化系统来减轻农民的劳动负担，提供准确的诊断结果，并推荐合适的农药。

计算机视觉和机器学习的最新进展彻底改变了各个领域，包括农业，其中决策越来越多地基于图像分析。卷积神经网络（CNN）[5]、视觉变换器（ViT）[5]、生成对抗网络（GANs）[7]、自编码器、集成模型等模型在从叶片图像中分类植物病害方面表现出色。将这些模型应用于实时农业环境面临诸多挑战，如高计算成本、内存限制、处理能力不足以及需要高效的互联网资源。随着对可持续和低碳农业实践的重视，迫切需要资源高效的解决方案。尽管传统基于云的系统具有某些优势，但它们也存在固有的缺点，如高能耗、对网络访问的依赖性和特定的延迟问题[8]。在农村和偏远农业地区，由于连接不稳定和基础设施不足，这些问题更加严重。

边缘-云协作框架为这些限制提供了可行的解决方案。通过在边缘设备和云之间分配计算资源，这些系统可以利用两种环境的优势[9]。例如手机等边缘设备能够通过即时反馈帮助农民进行实时病害检测。将越来越复杂的计算任务发送到云端可以提高资源效率并降低能耗。此外，农民现在可以全球范围内使用移动设备，为实施先进的农业应用提供了标准平台。优化预训练的CNN模型以适应移动设备部署，可以在不影响设备性能或电池寿命的情况下实现高精度和高效[10]。

农业作为全球经济和生计的基础组成部分，通过物联网（IoT）和云计算技术的融合经历了重大变革[11]。这些创新使得精准农业、作物和牲畜的实时监控以及资源的高效利用成为可能[12]。物联网在农业中的应用通过智能传感器和设备促进了数据驱动的决策[13]，而云计算则确保了数据存储、共享和高级分析的顺利进行。尽管在这一领域取得了显著进展，但在提高农业产量、灌溉管理和减少环境危害方面仍有很大改进空间。未来研究预计将结合现有解决方案。一些研究人员尝试使用各种在线和离线方法自动化植物病害的分类过程。消费技术的应用，结合精准农业，满足了智能农业的需求，实现了实时环境监测、自动决策和资源高效利用。迄今为止，基于物联网的传感器系统已经提供了监测环境和土壤条件、优化农业活动以及主动防治病虫害的解决方案[14]。此外，使用联邦学习的灌溉系统（如FLAGS[15]）正在研究中，以促进精准农业中的水资源高效利用。这些进展通过强调物联网、边缘计算和人工智能在现代农业中的整合，促进了数据驱动和高效的农业实践[16][17]。

在[18]中，魏等人利用预训练的CNN深度学习模型（如VGG-16、DenseNet-121、AlexNet和ResNet-50）作为边缘解决方案，在PlantVillage数据集上进行了评估。通过图像转换技术和下采样解决了数据不平衡的问题。该模型在不同的编程环境（CPU、GPU和VPU）上进行了评估，以评估其在不同硬件和软件配置下的性能一致性。结果表明，使用VPU实现边缘模型时保持了相对较高的精确度和召回率以及F1分数。

沿着同样的趋势，泰国等人[19]提出了一个基于云的存储库，收集并评估了38个公开可用的数据集，从而减少了研究人员寻找合适数据集所需的时间。其次，他们提出了一个名为Tiny-LeViT的轻量级模型，该模型利用变换器架构在边缘网络环境中实现高效的叶病分类。在五个基准数据集上的仿真显示，该模型的帧率至少提高了9%，同时保持了可比的F1分数，平均在RTX工作站和边缘设备上达到97.25%。在[20]中，作者利用专用传感器和云计算技术开发了一个智能农业系统，使农民能够监控作物和牲畜的状态。该系统包括实现和测试一个Android跟踪应用程序，作为上述系统的初始组件——一个旨在与未来开发的云计算服务接口的客户端应用程序。最终解决方案为农民提供了便捷的田间监控方式，简化了农民的工作并提高了产量。

计算机视觉和机器学习的最新进展显著提高了植物病害的识别和分类能力，促进了高效诊断工具的发展。这些先进技术使农业专业人士能够在复杂的实时环境中实施高级框架，提供准确的结果[21]。保罗等人在[21]中提出了一个用于实时应用的CNN框架。本研究使用的数据集包含多种番茄病害。该数据集包含11个类别，其中一个为健康类别。作者提出了一个定制的CNN模型，并结合了预训练模型（如VGG-19和VGG-16）。所提出的CNN架构包含四个最大池化层、四个卷积层、三个丢弃层和一个全连接层，使用了密集激活函数和softmax激活函数。学习率为0.001，批量大小为32，训练周期为100个周期。使用增强数据和基线数据集对提出的方法进行了准确性、精确度、召回率和F1分数的评估。结果表明，该方法在增强数据集上的准确率为95%。

乌卢塔斯等人在[22]中提出了一种用于检测番茄叶病的稳健方法，使用了PlantVillage数据集。开发了两个CNN模型（CNN1具有4个卷积层，CNN2具有5个卷积层）。这两个模型均经过50个周期的训练，批量大小为4，学习率为0.0001，使用Adam优化器进行超参数优化。除了提出的CNN模型外，还使用了几个预训练模型（EfficientNet-V2L、MobileNet-V2、MobileNet-V3 Small和Inception-V3）进行比较分析。评估结果表明，所开发的模型准确率达到99.60%。

在[23]中，艾哈迈德等人旨在通过实施更高效和集成的CNN模型来分类番茄叶病。使用的数据集是PlantVillage。首先，采用了对比度受限的自适应直方图均衡（CLAHE）技术来改善数据集中的图像。随后，使用多种技术进行了数据增强，包括逆时针和顺时针旋转、水平翻转、宽度和高度调整以及剪切。共使用了十个预训练模型进行分类，其中选择了MobileNetV2因其紧凑的尺寸。研究采用了多种评估指标，包括准确率、FLOPs计数、召回率和F1分数等。VGG-19模型的准确率达到了约99.48%。MobileNetV2的准确率为97.27%，模型大小为8.98 MB，计算成本为4.54 MFLOPs。苏达尔等人在[24]中提出了一种自动化的番茄叶病分类方法。研究使用了PlantVillage数据集和台湾番茄叶数据集。在预处理阶段，调整了图像大小，并实施了数据增强技术，包括宽度调整、高度调整、水平翻转和缩放。使用微调的ResNet-50模型进行特征提取和分类。在10个周期间隔内评估了性能，最终在台湾番茄叶数据集上的准确率达到97.6%，在PlantVillage数据集上达到93.8%。

谭等人在[25]中比较了机器学习和深度学习方法在PlantVillage数据集上分类番茄叶病的效果。对于机器学习，他们使用灰度共生矩阵和局部二值模式提取了52个纹理特征，使用颜色直方图和颜色矩技术提取了105个颜色特征。从测试的特征提取方法中选择了GLCM + COLOR方法，因其性能优越。还评估了多种深度学习模型，其中ResNet-34的准确率最高，达到99.7%。

此外，还有多项补充研究探索了农业分析和预测的智能方法。例如，一个基于物联网的农业信息系统与深度信念网络（DBN）相结合，在预测蔬菜价格方面表现出更高的准确性，这突显了其在智能农业中的价值[27]。最近的研究将AI驱动的分析扩展到了大规模环境和可持续性监测。例如，孙等人[28]提出了一种多角度估算模型，利用Sentinel-2卫星图像估算生物土壤壳层的覆盖度，从而准确评估干旱地区的生物土壤壳层，并支持干旱和土地退化监测。这类基于遥感的方法突显了数据驱动模型在可持续农业和生态管理中的更广泛作用。同时，关于无人机辅助的移动边缘计算[29]的最新工作研究了协调通信和计算卸载策略，以改善分布式边缘环境中的延迟和可靠性；然而，这些研究主要关注通用边缘网络优化，而不是本研究中考虑的资源受限农业消费电子设备上的实时植物病害检测。

其他作物也得到了广泛研究，特别是水稻，这是全球种植和消费最广泛的作物之一。在米饭方面，已经应用了机器学习/深度学习和物联网技术进行早期病害识别、分割，并讨论了取得的成就、挑战和未来方向[30][31]。除了这些研究之外，不同作者的书籍章节也探讨了数字技术在农业中的应用，包括结合了区块链、机器学习/深度学习和物联网（IoT）的5.0社会框架[32]，以及移动计算、云/雾计算架构和传感器网络在智能和可持续农业中的应用[33]。现有的植物病害检测研究存在一些不足之处，例如较高的计算成本、依赖于容易受到农村地区互联网接入挑战影响的云基础设施、能源效率低下，以及对边缘设备的优化不足。许多解决方案使用通用的预训练模型，这些模型缺乏领域特定的设计，无法有效平衡边缘和云环境之间的工作负载。不平衡的数据集、在不同环境中的可扩展性不足以及有限的现实世界测试进一步阻碍了这些技术的实际应用。本研究通过一个新颖的边缘-云协作框架和一个专门为植物病害分类设计的轻量级卷积神经网络（CNN）模型来解决这些问题。该模型能够在边缘和云之间平衡计算负载，确保能源高效的实时处理，优化资源使用，并能够扩展和泛化到更多种类的数据集和环境中，从而解决了所有已识别的不足之处。

我们对这项工作的重大贡献如下：
1. 提出了一种基于边缘-云的病害分类框架，能够在本地边缘服务器上进行实时处理，延迟最小。相比之下，全局云服务器同步模型更新以提高泛化能力。这种方法成功确保了远程农业环境的可扩展性和资源效率。
2. 提出了一种定制的CNN架构，确保快速处理并提供高分类精度。定制架构的目的是提供轻量级设计，以便于最佳特征提取，从而在利用有限计算资源的同时最大化分类精度。
3. 所提出的框架在选定的数据集上进行了全面的统计评估，证明了其在准确性、精确度、召回率和F1分数方面的稳健性能。

手稿的后续部分组织如下：第2节概述了材料和方法，详细介绍了我们实现的数据集和架构修改。第3节展示了我们的结果和讨论，第4节是手稿的结论。

下载：下载高分辨率图像（800KB）
下载：下载全尺寸图像
图1. PlantVillage数据集。

2. 材料和方法
2.1. 数据集
为了验证我们提出的框架的可靠性，我们在三个农业数据集上对其进行了评估：PlantVillage数据集[34]、马铃薯叶病数据集[35]和玉米叶病数据集[36]。所有这些数据集都是公开可用的，许多研究人员已经在他们的研究中使用了它们。
2.1.1. PlantVillage数据集
PlantVillage数据集包含了38个独特的类别，代表不同的植物物种及其相应的病害。列出的植物物种包括苹果、蓝莓、甜椒、玉米、葡萄、樱桃、橙子、桃子、胡椒、土豆、南瓜、大豆、草莓和番茄。该集合包含67,234张受感染和健康植物叶子的图像。图1展示了一些数据集的样本图像，表1提供了相应的详细信息。
表1. PlantVillage数据集：类别和样本数量
下载：下载高分辨率图像（197KB）
下载：下载全尺寸图像
图2. 马铃薯叶病数据集的一些样本。

2.1.2. 马铃薯叶病数据集
马铃薯叶病数据集通常是更大的PlantVillage数据集的一个子集，大致分为两个不同的类别，包含1500张RGB图像：健康和受感染的马铃薯叶子。受感染类别进一步分为两个子类别：早疫病和晚疫病。数据集的样本图像显示在图2中，表2提供了相关细节。
表2. 马铃薯叶病数据集：三个类别的图像分布

2.1.3. 玉米或玉米叶病数据集
玉米或玉米叶病数据集是从PlantVillage[37]和PlantDoc[38]数据集创建的。该数据集包含四个独特的类别，包括健康和患病的玉米叶子（常见锈病、枯萎病和灰叶斑病）。该集合包含4187张RGB图像。图3展示了一些图像，表3给出了详细信息。
下载：下载高分辨率图像（164KB）
下载：下载全尺寸图像
图3. 玉米或玉米叶病数据集
表3. 玉米或玉米叶病数据集

2.2. 提出的框架
农业面临的一个重大问题是快速准确地识别植物病害，特别是在计算能力和连接能力有限的地区。以前的方法要么依赖于大量的基于云的处理，从而导致延迟和能源效率低下，要么在资源有限的边缘设备上功能不足。鉴于这些问题和限制，本研究提出了一个先进的边缘-云协作框架，其中包含了一个有效的基于CNN的病害分类模型。该框架在本地（边缘）和全局（云）处理之间实现了适当的平衡，以实现可扩展的实时病害诊断。本节详细介绍了边缘-云协作框架，如图4所示，该框架同时优化了计算效率和可扩展性，用于植物叶病的分类。
在这种架构中，分布在各个地区的农民（城市A、城市B等、城市N）使用移动边缘设备捕获植物叶子的图像。这些图像随后在本地边缘服务器（M1、M2等、MN）上进行初步分析和轻量级分类，使用本地化模型。每个本地服务器处理数据并根据获取的信息生成更新后的权重（Ci1、Ci2等）。这些更新定期传输到中央云服务器，该服务器整合来自本地服务器的数据并重新训练全局模型。然后，更新后的全局模型被重新分配到本地服务器，以保持它们之间的同步，利用从所有地区收集的数据。这种重复的反馈动态改进了模型的适应性，从而随着时间的推移和规模的扩大提高了准确性。数学表达式为：
(1)f(xi) = flocal(xi; θi) + fcloud(flocal(xi; θi)
其中flocal(.)表示边缘处的本地处理，xi表示输入图像，θi表示位于第i个边缘设备上的CNN权重。类似地，fcloud(.)表示云端的细化和决策模块。

下载：下载高分辨率图像（645KB）
下载：下载全尺寸图像
图4. 边缘-云系统架构：说明本地处理和本地服务器与集中式云之间的迭代模型更新，以实现高效和可扩展的植物病害分类系统。

在提出的边缘-云框架中，推理首先使用最新的本地模型权重flocal(xi; θi)在边缘进行。这允许快速、低延迟的预测，而无需与云进行持续通信。云组件fcloud(?)处理在边缘生成的中间输出，并结合从多个边缘设备收集的全局学习信息。重要的是，在提出的设计中，推理和模型更新是解耦的。边缘设备继续执行推理，而与云的权重同步仅在预定义的时间间隔内触发，以减少通信开销。因此，更新延迟表示发送本地更新和接收更新后的全局权重之间的延迟，而同步频率决定了本地模型与全局模型对齐的频率。这种策略在实时边缘响应性和周期性全局优化之间取得了平衡，使该框架适用于资源受限和延迟敏感的部署环境。对于位于区域A的单个用户，详细架构如图5所示。农民通过捕获受感染叶子的图像并上传到本地服务器来启动系统设计。当农民在实地条件下使用移动设备捕获图像时，应用最小的输入标准化步骤将原始图像适配为模型输入格式。这包括将图像调整到所需的网络尺寸和基本归一化，以保持数值稳定性。没有使用显式的图像增强、噪声去除或手工预处理技术，使提出的模型能够端到端运行。

下载：下载高分辨率图像（702KB）
下载：下载全尺寸图像
图5. 边缘-云系统架构：说明单个客户端用于植物病害分类和报告生成系统。

为了进一步阐明所提出框架的操作工作流程，图6展示了所提出框架的整体学习-部署流程。左侧块代表离线训练阶段，其中使用标记的植物叶子数据集优化模型，而右侧块描绘了使用农民捕获的图像的部署时推理阶段。定期权重同步确保训练模型和部署的推理模块之间的一致性。服务器将分类请求传输到AI分类模型。在诊断病害并确定置信度水平后，模型为农民创建一个清晰简洁的分类报告。报告包括作物信息、感染类型、置信度水平和时间戳等详细信息。更新后的权重也保存在云中，可供不同位置的多个用户访问。该框架确保实时检测，因为模型权重会随着新数据的不断更新而更新。

下载：下载高分辨率图像（607KB）
下载：下载全尺寸图像
图6. 培训-部署框架——包括离线训练和实时推理，用于植物病害诊断。

全面的模型训练在边缘使用本地可用的标记数据进行，实现数据本地化和减少原始数据传输。学习到的模型权重定期与云同步，在那里进行全局聚合和版本管理。这种边缘-云协调确保了高效的训练，同时支持可扩展和一致的部署。

在本地服务器（MN）中，如图7所示，引入了一种定制的深度架构，该架构在专门的农业数据集上进行训练，以提高性能。该架构从多个来源检索数据，包括PlantVillage、马铃薯叶病和玉米叶病数据集。中央块显示了深度学习模型的训练流程，包括堆叠卷积、池化、激活和全连接层。这个训练好的模型从植物叶子图像中执行判别特征提取，如聚类特征空间所示。之后，提取的特征用于将叶子分类为不同数据集中的健康和患病类别。作为边缘-云系统的核心计算模块，该框架实现了在现实农业环境中的可扩展和准确的植物病害检测。

下载：下载高分辨率图像（2MB）
下载：下载全尺寸图像
图7. 提出的植物叶病分类系统架构——作为边缘-云系统的核心计算模块。

定制的CNN模型包含37层，包括多个残差块、全连接层和池化层。所提出的CNN模型的架构如图8所示，并在表4中总结。这些数据集随后输入到定制的CNN模型中进行训练。之后，从所提出的CNN模型的“fc7”层进行特征提取。然后使用各种分类器对提取的特征进行分类，以确定模型在识别植物病害方面的精确度和准确性。

下载：下载高分辨率图像（690KB）
下载：下载全尺寸图像
图8. 37层定制CNN架构。

所提出的CNN模型包含37层，输入层的尺寸为（227 × 227 × 3）。所提出的架构包括10个卷积层、3个最大池化层、3个全连接层和2个dropout层。前两个卷积层的滤波器大小分别为（11 × 11）和（5 × 5），步长分别为（4,4）和（1,1）。其余的卷积层的滤波器大小为（3 × 3），步长为（1,1）。最大池化层的池化大小为（3,3），步长为（2,2），并带有零填充。我们的架构中有5个残差块。在Pool2层之后，我们的定制架构分为两个残差块，然后进一步分为额外的残差块并在单一点连接。在conv4b层之后，统一的残差块再次分为残差块——遵循层次化流程。

所提出的深度CNN框架通过层次化的层序列处理输入图像，以实现高效的图像分类。输入图像X∈RH×W×C，其中H=227，W=227，C=3，与一组滤波器F∈Rk×k×C×N进行卷积，其中k是核大小，N是滤波器数量。卷积操作产生输出特征图Y，大小为H′×W′×N，定义为：
(2) H′ = H?k+2PS+1
(3) W′ = W?k+2PS+1
这里P是填充大小，S是步长长度。卷积操作作为输入特征图X的加权和表示为：
(4) Zijn = ∑c=1C∑p=1k∑q=1k Xi+p,j+q,c?Fp,q,cn
其中Fn是第n个特征图的卷积滤波器。最终，非线性激活函数σ(.)被应用到模型中以引入非线性，并得到卷积层的最终输出，表示为：(5)Yijn=σ(Zijn)+bn，其中bn是偏置项。卷积之后，最大池化减少了空间维度，同时保留了关键特征。给定一个池化窗口大小kp，最大池化层的输出P为：(6)Pi,j=max0≤p< />
表4. 提出的系统架构。

| 序号 | 描述 |
|------|-----------------------------------------------------------------------------|
| 1 | 输入图像（数据）：227×227×3像素的图像，经过“零中心”归一化 |
| 2 | conv1：96个11×11×3像素的卷积层，p = [0 0 0 0]，s = [4 4] |
| 3 | 激活函数（relu1）：relu |
| 4 | 归一化（norm1）：每个元素5个通道的跨通道归一化 |
| 5 | 最大池化（pool1）：3×3像素，p = [0 0 0 0]，s = [2 2] |
| 6 | conv2：2组128个5×5×4像素的卷积层，p = [2 2 2 2]，s = [1 1] |
| 7 | 激活函数（relu2）：relu |
| 8 | 归一化（norm2）：每个元素5个通道的跨通道归一化 |
| 9 | 最大池化（pool2）：3×3像素，p = [0 0 0 0]，s = [2 2] |
| 10 | conv3：384个3×3×256像素的卷积层，p = [1 1 1 1]，s = [1 1] |
| 11 | 激活函数（relu3）：relu |
| 12 | conv4：2组192个3×3×192像素的卷积层，p = [1 1 1 1]，s = [1 1] |
| 13 | 激活函数（relu4）：relu |
| 14 | conv4a：2组192个3×3×192像素的卷积层，p = [1 1 1 1]，s = [1 1] |
| 15 | 激活函数（relu4a）：relu |
| 16 | 分组卷积（groupedconv）：2组128个3×3像素的卷积层，p = [1 1 1 1]，s = [1 1] |
| 17 | 激活函数（relu）：relu |
| 18 | 分组卷积（groupedconv）：2组192个3×3像素的卷积层，p = [1 1 1 1]，s = [1 1] |
| 19 | 激活函数（relu_1）：relu |
| 20 | 加法层（addition_1）：2个输入的逐元素相加 |
| 21 | conv4b：2组192个3×3×192像素的卷积层，p = [1 1 1 1]，s = [1 1] |
| 22 | 激活函数（relu4b）：relu |
| 23 | conv5：2组128个3×3×192像素的卷积层，p = [1 1 1 1]，s = [1 1] |
| 24 | 激活函数（relu5）：relu |
| 25 | conv5a：2组128个3×3×192像素的卷积层，p = [1 1 1 1]，s = [1 1] |
| 26 | 激活函数（relu5a）：relu |
| 27 | 加法层（addition）：3个输入的逐元素相加 |
| 28 | 最大池化（pool5）：3×3像素，p = [0 0 0 0]，s = [2 2] |
| 29 | fc6：4096个全连接层 |
| 30 | 激活函数（relu6）：relu |
| 31 | dropout正则化（drop6）：50%的神经元随机停用 |
| 32 | fc7：4096个全连接层 |
| 33 | 激活函数（relu7）：relu |
| 34 | dropout正则化（drop7）：50%的神经元随机停用 |
| 35 | fc：全连接层（x = 类别数量） |
| 36 | softmax函数：将logits zi转换为概率pi |

最后，softmax激活函数将logits zi（对应于类别i）转换为概率pi，使用公式：(11)pi=exp(zi)∑j=1yexp(zj)，其中y是类别的总数。所提出的架构有效地整合了分层特征提取、分组卷积和加法融合层。结合这些操作使网络能够实现计算效率和高的分类准确性，使其适用于农业应用，即使在资源受限的环境中也是如此。

3. 结果
本节报告了使用所提出方法获得的数值结果。实验在三个基准数据集上进行：plantvillage数据集、马铃薯叶病数据集和玉米或玉米叶病数据集。我们使用了一个定制的cnn模型来提取特征，然后将特征分为80%用于训练，20%用于测试。为了确保我们的发现可靠性，在评估过程中应用了保留交叉验证方法。从评估指标中，我们包括了准确率（acc）、敏感性（sen）、特异性（spe）、假阴性率（fnr）、假发现率（fdr）、精确度（pre）、f1分数和误分类率。为了解决类别不平衡问题，在训练之前没有应用离线数据增强技术。相反，我们使用了在线数据增强策略，包括翻转、随机旋转和颜色抖动。这种动态增强与类感知的加权采样机制相结合。

表5. knn、svm和神经网络分类器家族在plantvillage数据集上的性能比较，展示了它们在验证和测试指标上的卓越表现。

验证和测试准确率
| 模型 | acc | sen | spe | fnr | pre | f1 |
|-------------|-----------|-----------|-----------|------------|-------------|
| wide nn | 99.96 | 0.9985 | 0.9999 | 0.0021 | 0.9984 |
| medium nn | 99.95 | 0.9976 | 0.9999 | 0.0024 | 0.9976 |
| cubic svm | 99.85 | 0.9984 | 1.0000 | 0.0016 | 0.9984 |
| quadratic svm | 99.81 | 0.9977 | 0.9999 | 0.0023 | 0.9977 |
| fine knn | 99.80 | 0.9976 | 0.9999 | 0.0024 | 0.9976 |
| medium knn | 99.74 | 0.9973 | 0.9999 | 0.0027 | 0.9973 |
| bilayered nn | 99.34 | 0.9929 | 0.9998 | 0.9929 | 0.9929 |
| testing | 99.30 | 0.9939 | 0.9999 | 0.0061 | 0.9948 |
| cubic svm | 99.20 | 0.9987 | 0.9997 | 0.0101 | 0.9987 |
| fine knn | 99.80 | 0.9976 | 0.9999 | 0.0024 | 0.9976 |
| medium knn | 99.74 | 0.9973 | 0.9999 | 0.0027 | 0.9973 |
| bilayered nn | 99.34 | 0.9929 | 0.9998 | 0.9929 | 0.9929 |

3.1 plantvillage数据集
在plantvillage数据集的情况下，表5显示了选定的分类器在验证和测试阶段的比较。在验证阶段，wide nn表现非常出色，准确率达到99.9%，敏感性为0.9985，特异性为0.9999。它还实现了最低的误分类率0.0021，这清楚地表明了其在执行分类任务时的稳健性。紧随wide nn之后的是medium nn，其他分类器cubic svm和quadratic svm也表现强劲，f1分数超过0.997，并且记录了最小的假发现率。图9中的验证roc曲线表明所有分类器的性能都相当，auc值接近1.0。特别是wide nn，auc为0.999，实现了几乎完美的类别分离。在测试阶段，fine knn记录了最佳的分类准确率99.4%，敏感性为0.9939，特异性为0.9999，误分类率为0.0061。cubic svm和medium nn紧随其后，准确率分别为99.2%和98.8%。尽管bilayered nn的准确率略低（97.8%），但其敏感性和特异性（0.9784和0.9978）仍然具有竞争力。测试roc曲线确认了这些分类器的高可靠性，fine knn获得了最高的auc，紧随其后的是cubic svm和medium nn，表明了它们稳健和一致的性能。

下载：下载高分辨率图像（156kb）
下载：下载全尺寸图像(a)
roc：plantvillage（验证）
下载：下载高分辨率图像（158kb）
下载：下载全尺寸图像(b)
roc：plantvillage（测试）

图9. plantvillage数据集的roc曲线：验证和测试。

图10中的混淆矩阵展示了模型在plantvillage数据集上的分类性能，详细说明了多个植物疾病类别和健康状态的预测情况。矩阵显示出强烈的对角线优势，表明高准确性，因为大多数样本被正确分类到各自的类别中。例如，像马铃薯晚疫病、健康番茄和苹果疮痂病这样的疾病类别显示出显著高的真正例值，其他类别之间的混淆很少。然而，也有一些非对角线的误分类，例如类似疾病类别之间的混淆，如番茄早疫病和番茄晚疫病，或玉米普通锈病和玉米北方叶锈病，这可能是由于疾病症状的视觉相似性造成的。模型即使在类别数量较多的情况下也能保持高精度，这突显了其在处理多类植物疾病分类任务中的有效性。因此，该混淆矩阵验证了所提出方法在现实世界农业应用中的稳健性和可靠性。

下载：下载高分辨率图像（940kb）
下载：下载全尺寸图像

图10. 混淆矩阵：plantvillage数据集。颜色条表示样本的频率，从最小（较浅色调）到最大（较深色调）。

下载：下载高分辨率图像（181kb）
下载：下载全尺寸图像(a)
roc：玉米或玉米叶病数据集（验证）
下载：下载高分辨率图像（196kb）
下载：下载全尺寸图像(b)
roc：玉米或玉米叶病（测试）

图11. 玉米或玉米叶病数据集的roc曲线：验证和测试。

表6描述了玉米或玉米叶病数据集上的分类结果，提供了关于分类器在验证和测试阶段鲁棒性和泛化能力的见解。在验证阶段，quadratic svm实现了最高的准确率98.74%，敏感性和特异性分别为0.987和0.997。统计数据显示，该模型能够进行少量假阳性分类。medium knn紧随其后，准确率为97.56%，f1分数为0.978，清楚地显示了该模型的泛化能力。同样，其他模型如fine knn和cubic svm也表现良好，f1分数超过0.970。在测试阶段，medium knn的表现优于其他分类器，准确率为97.12%，敏感性为0.971，特异性为0.989——显示出其在实际场景中的可靠性。quadratic svm表现非常好，准确率为95.23%，f1分数为0.951。另一方面，bilayered nn的准确率较低（91.06%），但敏感性和特异性（0.978和0.9978）仍然具有竞争力。测试roc曲线确认了这些分类器的高可靠性，fine knn获得了最高的auc，紧随其后的是cubic svm和medium nn，表明了它们稳健和一致的性能。总体而言，验证和测试阶段的roc曲线强调了分类器的强分离能力，突显了它们适用于可靠的植物疾病分类任务。

下载：下载高分辨率图像（256kb）
下载：下载全尺寸图像

表6. 玉米或玉米叶病数据集上knn、svm和nn分类器家族的性能比较，展示了它们在验证和测试指标上的卓越表现。

验证和测试准确率
| 模型 | acc | sen | spe | fnr | pre | f1 |
|-------------|-----------|-----------|-----------|------------|-------------|
| quadratic svm | 98.74 | 0.987 | 0.997 | 0.013 | 0.987 |
| medium knn | 97.56 | 0.977 | 0.991 | 0.022 | 0.979 |
| fine knn | 97.03 | 0.970 | 0.988 | 0.030 | 0.971 |
| cubic svm | 96.34 | 0.963 | 0.983 | 0.037 | 0.964 |
| medium nn | 96.18 | 0.962 | 0.981 | 0.038 | 0.963 |
| testing | 97.12 | 0.971 | 0.989 | 0.029 | 0.972 |
| quadratic svm | 95.23 | 0.952 | 0.976 | 0.048 | 0.952 |
| cubic svm | 94.59 | 0.946 | 0.970 | 0.054 | 0.947 |
| fine knn | 94.02 | 0.940 | 0.965 | 0.060 | 0.940 |
| medium nn | 93.13 | 0.931 | 0.955 | 0.069 | 0.933 |

下载：下载高分辨率图像（256kb）
下载：下载全尺寸图像

表7. 在马铃薯叶病数据集上，各种分类器的性能指标展示了它们在验证和测试阶段的性能。在验证阶段，fine knn实现了最高的准确率99.79%，敏感性和特异性分别为0.9973和0.9987，显示出其强大的区分能力。同样，cubic svm和wide knn的表现也很强劲，准确率分别为99.70%和f1分数为0.9967，突显了它们在学习疾病特定模式方面的稳健性。bilayered nn虽然准确率略低（98.40%），但其敏感性和特异性（0.9784和0.9978）仍然具有竞争力。测试阶段，medium knn的表现最好，准确率为99.45%，敏感性为0.994，特异性为0.998，误分类率为0.016。quadratic svm表现也非常好，准确率为95.23%，f1分数为0.951。另一方面，bilayered nn的准确率较低（91.06%），误分类率较高（0.090）。总体而言，两种最一致的分类器是quadratic svm和medium knn。这些模型不仅在敏感性、特异性和一致性方面取得了高分，而且能够以最高的准确性检测玉米或玉米疾病。

图11中的roc曲线显示了不同决策阈值下各种模型对患病与健康玉米叶片的分类结果（tpr与fpr）。每条曲线下的面积（auc）将性能汇总为一个指标，接近1.0的值表示更好的区分能力。值得注意的是，quadratic svm在验证集（0.992）和测试集（0.98）上都展示了最高的auc，紧随其后的是medium knn、fine knn、cubic svm和神经网络模型。所有分类器的表现都高于对角线的“随机猜测”线，表明它们超过了随机预测的水平。虽然验证集的auc略高于测试集，但在模型评估之前未见的数据上出现这种轻微下降是预期的。图12中的混淆矩阵总结了模型在四种玉米叶病状况下的性能——健康、疫病、锈病和灰斑病，通过比较实际标签（行）和预测标签（列）来展示。对角线上的高值（例如，健康为967，疫病为1160）表示准确的分类，而非对角线上的单元格（例如，33个健康样本被误分类为疫病）表示误分类。行的总和表示该类别的总样本数，列的总和表示该预测类别的总预测数。主要的大对角线条目表明分类器在区分这些疾病类别方面是有效的。

表6. 玉米或玉米叶病数据集上knn、svm和nn分类器家族的性能比较，展示了它们在验证和测试指标上的卓越表现。

验证和测试准确率
| 模型 | acc | sen | spe | fnr | pre | f1 |
|-------------|-----------|-----------|-----------|------------|-------------|
| quadratic svm | 98.74 | 0.987 | 0.997 | 0.013 | 0.987 |
| medium knn | 97.56 | 0.977 | 0.991 | 0.022 | 0.979 |
| fine knn | 97.03 | 0.970 | 0.988 | 0.030 | 0.971 |
| cubic svm | 96.34 | 0.963 | 0.983 | 0.037 | 0.964 |
| medium nn | 96.18 | 0.962 | 0.981 | 0.038 | 0.963 |
| testing | 97.12 | 0.971 | 0.989 | 0.029 | 0.972 |
| quadratic svm | 95.23 | 0.952 | 0.976 | 0.048 | 0.952 |
| cubic svm | 94.59 | 0.946 | 0.970 | 0.054 | 0.947 |
| fine knn | 94.02 | 0.940 | 0.965 | 0.060 | 0.940 |
| medium nn | 93.13 | 0.931 | 0.955 | 0.069 | 0.933 |

下载：下载高分辨率图像（256kb）
下载：下载全尺寸图像

表7. 在马铃薯叶病数据集上，各种分类器的性能指标展示了它们在验证和测试阶段的性能。在验证阶段，fine knn实现了最高的准确率99.79%，敏感性和特异性分别为0.9973和0.9987，显示出其强大的区分能力。同样，cubic svm和wide knn的表现也很强劲，准确率分别为99.70%和f1分数为0.9967，突显了它们在学习疾病特定模式方面的稳健性。bilayered nn虽然准确率为98.40%，但误分类率（0.0160）较高，表明在验证阶段的泛化能力较低。在测试阶段，medium knn实现了最高的准确率99.45%，敏感性为0.994，特异性为0.998，反映了其在两个阶段的一致性。 表4. 提出的系统架构。 | 序号 | 描述 | |------|-----------------------------------------------------------------------------| | 1 | 输入图像（数据）：227×227×3像素的图像，经过“零中心”归一化 | | 2 | conv1：96个11×11×3像素的卷积层，p=[0 0 0 0]，s=[4 4] | | 3 | 激活函数（relu1）：relu | | 4 | 归一化（norm1）：每个元素5个通道的跨通道归一化 | | 5 | 最大池化（pool1）：3×3像素，p=[0 0 0 0]，s=[2 2] | | 6 | conv2：2组128个5×5×4像素的卷积层，p=[2 2 2 2]，s=[1 1] | | 7 | 激活函数（relu2）：relu | | 8 | 归一化（norm2）：每个元素5个通道的跨通道归一化 | | 9 | 最大池化（pool2）：3×3像素，p=[0 0 0 0]，s=[2 2] | | 10 | conv3：384个3×3×256像素的卷积层，p=[1 1 1 1]，s=[1 1] | | 11 | 激活函数（relu3）：relu | | 12 | conv4：2组192个3×3×192像素的卷积层，p=[1 1 1 1]，s=[1 1] | | 13 | 激活函数（relu4）：relu | | 14 | conv4a：2组192个3×3×192像素的卷积层，p=[1 1 1 1]，s=[1 1] | | 15 | 激活函数（relu4a）：relu | | 16 | 分组卷积（groupedconv）：2组128个3×3像素的卷积层，p=[1 1 1 1]，s=[1 1] | | 17 | 激活函数（relu）：relu | | 18 | 分组卷积（groupedconv）：2组192个3×3像素的卷积层，p=[1 1 1 1]，s=[1 1] | | 19 | 激活函数（relu_1）：relu | | 20 | 加法层（addition_1）：2个输入的逐元素相加 | | 21 | conv4b：2组192个3×3×192像素的卷积层，p=[1 1 1 1]，s=[1 1] | | 22 | 激活函数（relu4b）：relu | | 23 | conv5：2组128个3×3×192像素的卷积层，p=[1 1 1 1]，s=[1 1] | | 24 | 激活函数（relu5）：relu | | 25 | conv5a：2组128个3×3×192像素的卷积层，p=[1 1 1 1]，s=[1 1] | | 26 | 激活函数（relu5a）：relu | | 27 | 加法层（addition）：3个输入的逐元素相加 | | 28 | 最大池化（pool5）：3×3像素，p=[0 0 0 0]，s=[2 2] | | 29 | fc6：4096个全连接层 | | 30 | 激活函数（relu6）：relu | | 31 | dropout正则化（drop6）：50%的神经元随机停用 | | 32 | fc7：4096个全连接层 | | 33 | 激活函数（relu7）：relu | | 34 | dropout正则化（drop7）：50%的神经元随机停用 | | 35 | fc：全连接层（x=类别数量） | | 36 | softmax函数：将logits zi转换为概率pi | 最后，softmax激活函数将logits zi（对应于类别i）转换为概率pi，使用公式：(11)pi=exp(zi)∑j=1Yexp(zj)，其中Y是类别的总数。所提出的架构有效地整合了分层特征提取、分组卷积和加法融合层。结合这些操作使网络能够实现计算效率和高的分类准确性，使其适用于农业应用，即使在资源受限的环境中也是如此。 3. 结果 本节报告了使用所提出方法获得的数值结果。实验在三个基准数据集上进行：plantvillage数据集、马铃薯叶病数据集和玉米或玉米叶病数据集。我们使用了一个定制的cnn模型来提取特征，然后将特征分为80%用于训练，20%用于测试。为了确保我们的发现可靠性，在评估过程中应用了保留交叉验证方法。从评估指标中，我们包括了准确率（acc）、敏感性（sen）、特异性（spe）、假阴性率（fnr）、假发现率（fdr）、精确度（pre）、f1分数和误分类率。为了解决类别不平衡问题，在训练之前没有应用离线数据增强技术。相反，我们使用了在线数据增强策略，包括翻转、随机旋转和颜色抖动。这种动态增强与类感知的加权采样机制相结合。 表5. knn、svm和神经网络分类器家族在plantvillage数据集上的性能比较，展示了它们在验证和测试指标上的卓越表现。 验证和测试准确率 | 模型 | acc | sen | spe | fnr | pre | f1 | |-------------|-----------|-----------|-----------|------------|-------------| | wide nn | 99.96 | 0.9985 | 0.9999 | 0.0021 | 0.9984 | | medium nn | 99.95 | 0.9976 | 0.9999 | 0.0024 | 0.9976 | | cubic svm | 99.85 | 0.9984 | 1.0000 | 0.0016 | 0.9984 | | quadratic svm | 99.81 | 0.9977 | 0.9999 | 0.0023 | 0.9977 | | fine knn | 99.80 | 0.9976 | 0.9999 | 0.0024 | 0.9976 | | medium knn | 99.74 | 0.9973 | 0.9999 | 0.0027 | 0.9973 | | bilayered nn | 99.34 | 0.9929 | 0.9998 | 0.9929 | 0.9929 | | testing | 99.30 | 0.9939 | 0.9999 | 0.0061 | 0.9948 | | cubic svm | 99.20 | 0.9987 | 0.9997 | 0.0101 | 0.9987 | | fine knn | 99.80 | 0.9976 | 0.9999 | 0.0024 | 0.9976 | | medium knn | 99.74 | 0.9973 | 0.9999 | 0.0027 | 0.9973 | | bilayered nn | 99.34 | 0.9929 | 0.9998 | 0.9929 | 0.9929 | 3.1 plantvillage数据集 在plantvillage数据集的情况下，表5显示了选定的分类器在验证和测试阶段的比较。在验证阶段，wide nn表现非常出色，准确率达到99.9%，敏感性为0.9985，特异性为0.9999。它还实现了最低的误分类率0.0021，这清楚地表明了其在执行分类任务时的稳健性。紧随wide nn之后的是medium nn，其他分类器cubic svm和quadratic svm也表现强劲，f1分数超过0.997，并且记录了最小的假发现率。图9中的验证roc曲线表明所有分类器的性能都相当，auc值接近1.0。特别是wide nn，auc为0.999，实现了几乎完美的类别分离。在测试阶段，fine knn记录了最佳的分类准确率99.4%，敏感性为0.9939，特异性为0.9999，误分类率为0.0061。cubic svm和medium nn紧随其后，准确率分别为99.2%和98.8%。尽管bilayered nn的准确率略低（97.8%），但其敏感性和特异性（0.9784和0.9978）仍然具有竞争力。测试roc曲线确认了这些分类器的高可靠性，fine knn获得了最高的auc，紧随其后的是cubic svm和medium nn，表明了它们稳健和一致的性能。 下载：下载高分辨率图像（156kb） 下载：下载全尺寸图像(a) roc：plantvillage（验证） 下载：下载高分辨率图像（158kb） 下载：下载全尺寸图像(b) roc：plantvillage（测试） 图9. plantvillage数据集的roc曲线：验证和测试。 图10中的混淆矩阵展示了模型在plantvillage数据集上的分类性能，详细说明了多个植物疾病类别和健康状态的预测情况。矩阵显示出强烈的对角线优势，表明高准确性，因为大多数样本被正确分类到各自的类别中。例如，像马铃薯晚疫病、健康番茄和苹果疮痂病这样的疾病类别显示出显著高的真正例值，其他类别之间的混淆很少。然而，也有一些非对角线的误分类，例如类似疾病类别之间的混淆，如番茄早疫病和番茄晚疫病，或玉米普通锈病和玉米北方叶锈病，这可能是由于疾病症状的视觉相似性造成的。模型即使在类别数量较多的情况下也能保持高精度，这突显了其在处理多类植物疾病分类任务中的有效性。因此，该混淆矩阵验证了所提出方法在现实世界农业应用中的稳健性和可靠性。 下载：下载高分辨率图像（940kb） 下载：下载全尺寸图像 图10. 混淆矩阵：plantvillage数据集。颜色条表示样本的频率，从最小（较浅色调）到最大（较深色调）。 下载：下载高分辨率图像（181kb） 下载：下载全尺寸图像(a) roc：玉米或玉米叶病数据集（验证） 下载：下载高分辨率图像（196kb） 下载：下载全尺寸图像(b) roc：玉米或玉米叶病（测试） 图11. 玉米或玉米叶病数据集的roc曲线：验证和测试。 表6描述了玉米或玉米叶病数据集上的分类结果，提供了关于分类器在验证和测试阶段鲁棒性和泛化能力的见解。在验证阶段，quadratic svm实现了最高的准确率98.74%，敏感性和特异性分别为0.987和0.997。统计数据显示，该模型能够进行少量假阳性分类。medium knn紧随其后，准确率为97.56%，f1分数为0.978，清楚地显示了该模型的泛化能力。同样，其他模型如fine knn和cubic svm也表现良好，f1分数超过0.970。在测试阶段，medium knn的表现优于其他分类器，准确率为97.12%，敏感性为0.971，特异性为0.989——显示出其在实际场景中的可靠性。quadratic svm表现非常好，准确率为95.23%，f1分数为0.951。另一方面，bilayered nn的准确率较低（91.06%），但敏感性和特异性（0.978和0.9978）仍然具有竞争力。测试roc曲线确认了这些分类器的高可靠性，fine knn获得了最高的auc，紧随其后的是cubic svm和medium nn，表明了它们稳健和一致的性能。总体而言，验证和测试阶段的roc曲线强调了分类器的强分离能力，突显了它们适用于可靠的植物疾病分类任务。 下载：下载高分辨率图像（256kb） 下载：下载全尺寸图像 表6. 玉米或玉米叶病数据集上knn、svm和nn分类器家族的性能比较，展示了它们在验证和测试指标上的卓越表现。 验证和测试准确率 | 模型 | acc | sen | spe | fnr | pre | f1 | |-------------|-----------|-----------|-----------|------------|-------------| | quadratic svm | 98.74 | 0.987 | 0.997 | 0.013 | 0.987 | | medium knn | 97.56 | 0.977 | 0.991 | 0.022 | 0.979 | | fine knn | 97.03 | 0.970 | 0.988 | 0.030 | 0.971 | | cubic svm | 96.34 | 0.963 | 0.983 | 0.037 | 0.964 | | medium nn | 96.18 | 0.962 | 0.981 | 0.038 | 0.963 | | testing | 97.12 | 0.971 | 0.989 | 0.029 | 0.972 | | quadratic svm | 95.23 | 0.952 | 0.976 | 0.048 | 0.952 | | cubic svm | 94.59 | 0.946 | 0.970 | 0.054 | 0.947 | | fine knn | 94.02 | 0.940 | 0.965 | 0.060 | 0.940 | | medium nn | 93.13 | 0.931 | 0.955 | 0.069 | 0.933 | 下载：下载高分辨率图像（256kb） 下载：下载全尺寸图像 表7. 在马铃薯叶病数据集上，各种分类器的性能指标展示了它们在验证和测试阶段的性能。在验证阶段，fine knn实现了最高的准确率99.79%，敏感性和特异性分别为0.9973和0.9987，显示出其强大的区分能力。同样，cubic svm和wide knn的表现也很强劲，准确率分别为99.70%和f1分数为0.9967，突显了它们在学习疾病特定模式方面的稳健性。bilayered nn虽然准确率略低（98.40%），但其敏感性和特异性（0.9784和0.9978）仍然具有竞争力。测试阶段，medium knn的表现最好，准确率为99.45%，敏感性为0.994，特异性为0.998，误分类率为0.016。quadratic svm表现也非常好，准确率为95.23%，f1分数为0.951。另一方面，bilayered nn的准确率较低（91.06%），误分类率较高（0.090）。总体而言，两种最一致的分类器是quadratic svm和medium knn。这些模型不仅在敏感性、特异性和一致性方面取得了高分，而且能够以最高的准确性检测玉米或玉米疾病。 图11中的roc曲线显示了不同决策阈值下各种模型对患病与健康玉米叶片的分类结果（tpr与fpr）。每条曲线下的面积（auc）将性能汇总为一个指标，接近1.0的值表示更好的区分能力。值得注意的是，quadratic svm在验证集（0.992）和测试集（0.98）上都展示了最高的auc，紧随其后的是medium knn、fine knn、cubic svm和神经网络模型。所有分类器的表现都高于对角线的“随机猜测”线，表明它们超过了随机预测的水平。虽然验证集的auc略高于测试集，但在模型评估之前未见的数据上出现这种轻微下降是预期的。图12中的混淆矩阵总结了模型在四种玉米叶病状况下的性能——健康、疫病、锈病和灰斑病，通过比较实际标签（行）和预测标签（列）来展示。对角线上的高值（例如，健康为967，疫病为1160）表示准确的分类，而非对角线上的单元格（例如，33个健康样本被误分类为疫病）表示误分类。行的总和表示该类别的总样本数，列的总和表示该预测类别的总预测数。主要的大对角线条目表明分类器在区分这些疾病类别方面是有效的。 表6. 玉米或玉米叶病数据集上knn、svm和nn分类器家族的性能比较，展示了它们在验证和测试指标上的卓越表现。 验证和测试准确率 | 模型 | acc | sen | spe | fnr | pre | f1 | |-------------|-----------|-----------|-----------|------------|-------------| | quadratic svm | 98.74 | 0.987 | 0.997 | 0.013 | 0.987 | | medium knn | 97.56 | 0.977 | 0.991 | 0.022 | 0.979 | | fine knn | 97.03 | 0.970 | 0.988 | 0.030 | 0.971 | | cubic svm | 96.34 | 0.963 | 0.983 | 0.037 | 0.964 | | medium nn | 96.18 | 0.962 | 0.981 | 0.038 | 0.963 | | testing | 97.12 | 0.971 | 0.989 | 0.029 | 0.972 | | quadratic svm | 95.23 | 0.952 | 0.976 | 0.048 | 0.952 | | cubic svm | 94.59 | 0.946 | 0.970 | 0.054 | 0.947 | | fine knn | 94.02 | 0.940 | 0.965 | 0.060 | 0.940 | | medium nn | 93.13 | 0.931 | 0.955 | 0.069 | 0.933 | 下载：下载高分辨率图像（256kb） 下载：下载全尺寸图像 表7. 在马铃薯叶病数据集上，各种分类器的性能指标展示了它们在验证和测试阶段的性能。在验证阶段，fine knn实现了最高的准确率99.79%，敏感性和特异性分别为0.9973和0.9987，显示出其强大的区分能力。同样，cubic svm和wide knn的表现也很强劲，准确率分别为99.70%和f1分数为0.9967，突显了它们在学习疾病特定模式方面的稳健性。bilayered nn虽然准确率为98.40%，但误分类率（0.0160）较高，表明在验证阶段的泛化能力较低。在测试阶段，medium>
表4. 提出的系统架构。

| 序号 | 描述 |
|------|-----------------------------------------------------------------------------|
| 1 | 输入图像（数据）：227×227×3像素的图像，经过“零中心”归一化 |
| 2 | conv1：96个11×11×3像素的卷积层，p = [0 0 0 0]，s = [4 4] |
| 3 | 激活函数（relu1）：relu |
| 4 | 归一化（norm1）：每个元素5个通道的跨通道归一化 |
| 5 | 最大池化（pool1）：3×3像素，p = [0 0 0 0]，s = [2 2] |
| 6 | conv2：2组128个5×5×4像素的卷积层，p = [2 2 2 2]，s = [1 1] |
| 7 | 激活函数（relu2）：relu |
| 8 | 归一化（norm2）：每个元素5个通道的跨通道归一化 |
| 9 | 最大池化（pool2）：3×3像素，p = [0 0 0 0]，s = [2 2] |
| 10 | conv3：384个3×3×256像素的卷积层，p = [1 1 1 1]，s = [1 1] |
| 11 | 激活函数（relu3）：relu |
| 12 | conv4：2组192个3×3×192像素的卷积层，p = [1 1 1 1]，s = [1 1] |
| 13 | 激活函数（relu4）：relu |
| 14 | conv4a：2组192个3×3×192像素的卷积层，p = [1 1 1 1]，s = [1 1] |
| 15 | 激活函数（relu4a）：relu |
| 16 | 分组卷积（groupedconv）：2组128个3×3像素的卷积层，p = [1 1 1 1]，s = [1 1] |
| 17 | 激活函数（relu）：relu |
| 18 | 分组卷积（groupedconv）：2组192个3×3像素的卷积层，p = [1 1 1 1]，s = [1 1] |
| 19 | 激活函数（relu_1）：relu |
| 20 | 加法层（addition_1）：2个输入的逐元素相加 |
| 21 | conv4b：2组192个3×3×192像素的卷积层，p = [1 1 1 1]，s = [1 1] |
| 22 | 激活函数（relu4b）：relu |
| 23 | conv5：2组128个3×3×192像素的卷积层，p = [1 1 1 1]，s = [1 1] |
| 24 | 激活函数（relu5）：relu |
| 25 | conv5a：2组128个3×3×192像素的卷积层，p = [1 1 1 1]，s = [1 1] |
| 26 | 激活函数（relu5a）：relu |
| 27 | 加法层（addition）：3个输入的逐元素相加 |
| 28 | 最大池化（pool5）：3×3像素，p = [0 0 0 0]，s = [2 2] |
| 29 | fc6：4096个全连接层 |
| 30 | 激活函数（relu6）：relu |
| 31 | dropout正则化（drop6）：50%的神经元随机停用 |
| 32 | fc7：4096个全连接层 |
| 33 | 激活函数（relu7）：relu |
| 34 | dropout正则化（drop7）：50%的神经元随机停用 |
| 35 | fc：全连接层（x = 类别数量） |
| 36 | softmax函数：将logits zi转换为概率pi |

最后，softmax激活函数将logits zi（对应于类别i）转换为概率pi，使用公式：(11)pi=exp(zi)∑j=1yexp(zj)，其中y是类别的总数。所提出的架构有效地整合了分层特征提取、分组卷积和加法融合层。结合这些操作使网络能够实现计算效率和高的分类准确性，使其适用于农业应用，即使在资源受限的环境中也是如此。

3. 结果
本节报告了使用所提出方法获得的数值结果。实验在三个基准数据集上进行：plantvillage数据集、马铃薯叶病数据集和玉米或玉米叶病数据集。我们使用了一个定制的cnn模型来提取特征，然后将特征分为80%用于训练，20%用于测试。为了确保我们的发现可靠性，在评估过程中应用了保留交叉验证方法。从评估指标中，我们包括了准确率（acc）、敏感性（sen）、特异性（spe）、假阴性率（fnr）、假发现率（fdr）、精确度（pre）、f1分数和误分类率。为了解决类别不平衡问题，在训练之前没有应用离线数据增强技术。相反，我们使用了在线数据增强策略，包括翻转、随机旋转和颜色抖动。这种动态增强与类感知的加权采样机制相结合。

表5. knn、svm和神经网络分类器家族在plantvillage数据集上的性能比较，展示了它们在验证和测试指标上的卓越表现。

验证和测试准确率
| 模型 | acc | sen | spe | fnr | pre | f1 |
|-------------|-----------|-----------|-----------|------------|-------------|
| wide nn | 99.96 | 0.9985 | 0.9999 | 0.0021 | 0.9984 |
| medium nn | 99.95 | 0.9976 | 0.9999 | 0.0024 | 0.9976 |
| cubic svm | 99.85 | 0.9984 | 1.0000 | 0.0016 | 0.9984 |
| quadratic svm | 99.81 | 0.9977 | 0.9999 | 0.0023 | 0.9977 |
| fine knn | 99.80 | 0.9976 | 0.9999 | 0.0024 | 0.9976 |
| medium knn | 99.74 | 0.9973 | 0.9999 | 0.0027 | 0.9973 |
| bilayered nn | 99.34 | 0.9929 | 0.9998 | 0.9929 | 0.9929 |
| testing | 99.30 | 0.9939 | 0.9999 | 0.0061 | 0.9948 |
| cubic svm | 99.20 | 0.9987 | 0.9997 | 0.0101 | 0.9987 |
| fine knn | 99.80 | 0.9976 | 0.9999 | 0.0024 | 0.9976 |
| medium knn | 99.74 | 0.9973 | 0.9999 | 0.0027 | 0.9973 |
| bilayered nn | 99.34 | 0.9929 | 0.9998 | 0.9929 | 0.9929 |

3.1 plantvillage数据集
在plantvillage数据集的情况下，表5显示了选定的分类器在验证和测试阶段的比较。在验证阶段，wide nn表现非常出色，准确率达到99.9%，敏感性为0.9985，特异性为0.9999。它还实现了最低的误分类率0.0021，这清楚地表明了其在执行分类任务时的稳健性。紧随wide nn之后的是medium nn，其他分类器cubic svm和quadratic svm也表现强劲，f1分数超过0.997，并且记录了最小的假发现率。图9中的验证roc曲线表明所有分类器的性能都相当，auc值接近1.0。特别是wide nn，auc为0.999，实现了几乎完美的类别分离。在测试阶段，fine knn记录了最佳的分类准确率99.4%，敏感性为0.9939，特异性为0.9999，误分类率为0.0061。cubic svm和medium nn紧随其后，准确率分别为99.2%和98.8%。尽管bilayered nn的准确率略低（97.8%），但其敏感性和特异性（0.9784和0.9978）仍然具有竞争力。测试roc曲线确认了这些分类器的高可靠性，fine knn获得了最高的auc，紧随其后的是cubic svm和medium nn，表明了它们稳健和一致的性能。

下载：下载高分辨率图像（156kb）
下载：下载全尺寸图像(a)
roc：plantvillage（验证）
下载：下载高分辨率图像（158kb）
下载：下载全尺寸图像(b)
roc：plantvillage（测试）

图9. plantvillage数据集的roc曲线：验证和测试。

图10中的混淆矩阵展示了模型在plantvillage数据集上的分类性能，详细说明了多个植物疾病类别和健康状态的预测情况。矩阵显示出强烈的对角线优势，表明高准确性，因为大多数样本被正确分类到各自的类别中。例如，像马铃薯晚疫病、健康番茄和苹果疮痂病这样的疾病类别显示出显著高的真正例值，其他类别之间的混淆很少。然而，也有一些非对角线的误分类，例如类似疾病类别之间的混淆，如番茄早疫病和番茄晚疫病，或玉米普通锈病和玉米北方叶锈病，这可能是由于疾病症状的视觉相似性造成的。模型即使在类别数量较多的情况下也能保持高精度，这突显了其在处理多类植物疾病分类任务中的有效性。因此，该混淆矩阵验证了所提出方法在现实世界农业应用中的稳健性和可靠性。

下载：下载高分辨率图像（940kb）
下载：下载全尺寸图像

图10. 混淆矩阵：plantvillage数据集。颜色条表示样本的频率，从最小（较浅色调）到最大（较深色调）。

下载：下载高分辨率图像（181kb）
下载：下载全尺寸图像(a)
roc：玉米或玉米叶病数据集（验证）
下载：下载高分辨率图像（196kb）
下载：下载全尺寸图像(b)
roc：玉米或玉米叶病（测试）

图11. 玉米或玉米叶病数据集的roc曲线：验证和测试。

表6描述了玉米或玉米叶病数据集上的分类结果，提供了关于分类器在验证和测试阶段鲁棒性和泛化能力的见解。在验证阶段，quadratic svm实现了最高的准确率98.74%，敏感性和特异性分别为0.987和0.997。统计数据显示，该模型能够进行少量假阳性分类。medium knn紧随其后，准确率为97.56%，f1分数为0.978，清楚地显示了该模型的泛化能力。同样，其他模型如fine knn和cubic svm也表现良好，f1分数超过0.970。在测试阶段，medium knn的表现优于其他分类器，准确率为97.12%，敏感性为0.971，特异性为0.989——显示出其在实际场景中的可靠性。quadratic svm表现非常好，准确率为95.23%，f1分数为0.951。另一方面，bilayered nn的准确率较低（91.06%），但敏感性和特异性（0.978和0.9978）仍然具有竞争力。测试roc曲线确认了这些分类器的高可靠性，fine knn获得了最高的auc，紧随其后的是cubic svm和medium nn，表明了它们稳健和一致的性能。总体而言，验证和测试阶段的roc曲线强调了分类器的强分离能力，突显了它们适用于可靠的植物疾病分类任务。

下载：下载高分辨率图像（256kb）
下载：下载全尺寸图像

表6. 玉米或玉米叶病数据集上knn、svm和nn分类器家族的性能比较，展示了它们在验证和测试指标上的卓越表现。

验证和测试准确率
| 模型 | acc | sen | spe | fnr | pre | f1 |
|-------------|-----------|-----------|-----------|------------|-------------|
| quadratic svm | 98.74 | 0.987 | 0.997 | 0.013 | 0.987 |
| medium knn | 97.56 | 0.977 | 0.991 | 0.022 | 0.979 |
| fine knn | 97.03 | 0.970 | 0.988 | 0.030 | 0.971 |
| cubic svm | 96.34 | 0.963 | 0.983 | 0.037 | 0.964 |
| medium nn | 96.18 | 0.962 | 0.981 | 0.038 | 0.963 |
| testing | 97.12 | 0.971 | 0.989 | 0.029 | 0.972 |
| quadratic svm | 95.23 | 0.952 | 0.976 | 0.048 | 0.952 |
| cubic svm | 94.59 | 0.946 | 0.970 | 0.054 | 0.947 |
| fine knn | 94.02 | 0.940 | 0.965 | 0.060 | 0.940 |
| medium nn | 93.13 | 0.931 | 0.955 | 0.069 | 0.933 |

下载：下载高分辨率图像（256kb）
下载：下载全尺寸图像

表7. 在马铃薯叶病数据集上，各种分类器的性能指标展示了它们在验证和测试阶段的性能。在验证阶段，fine knn实现了最高的准确率99.79%，敏感性和特异性分别为0.9973和0.9987，显示出其强大的区分能力。同样，cubic svm和wide knn的表现也很强劲，准确率分别为99.70%和f1分数为0.9967，突显了它们在学习疾病特定模式方面的稳健性。bilayered nn虽然准确率略低（98.40%），但其敏感性和特异性（0.9784和0.9978）仍然具有竞争力。测试阶段，medium knn的表现最好，准确率为99.45%，敏感性为0.994，特异性为0.998，误分类率为0.016。quadratic svm表现也非常好，准确率为95.23%，f1分数为0.951。另一方面，bilayered nn的准确率较低（91.06%），误分类率较高（0.090）。总体而言，两种最一致的分类器是quadratic svm和medium knn。这些模型不仅在敏感性、特异性和一致性方面取得了高分，而且能够以最高的准确性检测玉米或玉米疾病。

图11中的roc曲线显示了不同决策阈值下各种模型对患病与健康玉米叶片的分类结果（tpr与fpr）。每条曲线下的面积（auc）将性能汇总为一个指标，接近1.0的值表示更好的区分能力。值得注意的是，quadratic svm在验证集（0.992）和测试集（0.98）上都展示了最高的auc，紧随其后的是medium knn、fine knn、cubic svm和神经网络模型。所有分类器的表现都高于对角线的“随机猜测”线，表明它们超过了随机预测的水平。虽然验证集的auc略高于测试集，但在模型评估之前未见的数据上出现这种轻微下降是预期的。图12中的混淆矩阵总结了模型在四种玉米叶病状况下的性能——健康、疫病、锈病和灰斑病，通过比较实际标签（行）和预测标签（列）来展示。对角线上的高值（例如，健康为967，疫病为1160）表示准确的分类，而非对角线上的单元格（例如，33个健康样本被误分类为疫病）表示误分类。行的总和表示该类别的总样本数，列的总和表示该预测类别的总预测数。主要的大对角线条目表明分类器在区分这些疾病类别方面是有效的。

表6. 玉米或玉米叶病数据集上knn、svm和nn分类器家族的性能比较，展示了它们在验证和测试指标上的卓越表现。

验证和测试准确率
| 模型 | acc | sen | spe | fnr | pre | f1 |
|-------------|-----------|-----------|-----------|------------|-------------|
| quadratic svm | 98.74 | 0.987 | 0.997 | 0.013 | 0.987 |
| medium knn | 97.56 | 0.977 | 0.991 | 0.022 | 0.979 |
| fine knn | 97.03 | 0.970 | 0.988 | 0.030 | 0.971 |
| cubic svm | 96.34 | 0.963 | 0.983 | 0.037 | 0.964 |
| medium nn | 96.18 | 0.962 | 0.981 | 0.038 | 0.963 |
| testing | 97.12 | 0.971 | 0.989 | 0.029 | 0.972 |
| quadratic svm | 95.23 | 0.952 | 0.976 | 0.048 | 0.952 |
| cubic svm | 94.59 | 0.946 | 0.970 | 0.054 | 0.947 |
| fine knn | 94.02 | 0.940 | 0.965 | 0.060 | 0.940 |
| medium nn | 93.13 | 0.931 | 0.955 | 0.069 | 0.933 |

下载：下载高分辨率图像（256kb）
下载：下载全尺寸图像

表7. 在马铃薯叶病数据集上，各种分类器的性能指标展示了它们在验证和测试阶段的性能。在验证阶段，fine knn实现了最高的准确率99.79%，敏感性和特异性分别为0.9973和0.9987，显示出其强大的区分能力。同样，cubic svm和wide knn的表现也很强劲，准确率分别为99.70%和f1分数为0.9967，突显了它们在学习疾病特定模式方面的稳健性。bilayered nn虽然准确率为98.40%，但误分类率（0.0160）较高，表明在验证阶段的泛化能力较低。在测试阶段，medium knn实现了最高的准确率99.45%，敏感性为0.994，特异性为0.998，反映了其在两个阶段的一致性。>精细KNN和二次SVM也保持了强劲的性能，测试准确率分别为98.01%和97.56%。然而，宽NN和双层NN的测试准确率相对较低（分别为95.93%和96.49%），误分类率分别为0.040和0.034。总体而言，中等KNN和精细KNN成为最可靠的分类器，具有持续的高敏感性、特异性和F1分数，验证了它们在马铃薯叶病分类中的有效性。下载：下载高分辨率图像（164KB）下载：下载全尺寸图像(a)。ROC：马铃薯叶病数据集（验证）下载：下载高分辨率图像（172KB）下载：下载全尺寸图像(b)。ROC：马铃薯叶病数据集（测试）。图13. 马铃薯叶病数据集的ROC曲线：验证和测试。表7. KNN、SVM和NN分类器家族在马铃薯叶病数据集上的性能比较，展示了它们在验证和测试指标上的卓越表现。验证和测试准确率模型AccSenSpeFNRPreF1验证精细KNN99.790.99730.99870.00270.99740.9973立方SVM99.700.99670.99830.00330.99670.9967宽KNN99.700.99670.99830.00330.9967中等KNN99.700.99670.99830.00330.9967二次SVM98.900.98870.99430.01130.98870.9887中等NN98.690.98670.99330.01330.9867双层NN98.400.98400.99200.01600.98400.9840测试中等KNN99.450.99400.99800.00600.99400.9940精细KNN98.010.98000.99000.02000.9800二次SVM97.560.97600.98800.02400.9760立方SVM97.380.97600.98800.02400.9760中等NN97.010.97200.98600.02800.97190.9719双层NN96.490.96590.98200.03500.96490.9649宽NN95.930.95930.98000.04100.9593下载：下载高分辨率图像（184KB）下载：下载全尺寸图像。图14. 混淆矩阵：马铃薯叶病数据集。颜色条表示样本的频率，从最小（较浅的颜色）到最大（较深的颜色）。图13中的ROC曲线显示了各种模型在马铃薯叶病数据集上的验证和测试阶段。在验证阶段，精细KNN获得了最高的AUC值0.998，其次是立方SVM、宽KNN和中等KNN，它们的AUC值均为0.997。双层NN的表现略低，AUC值为0.988。在测试阶段，精细KNN的AUC为0.996，而中等KNN和二次SVM的表现也很强，AUC值分别为0.982和0.981。双层NN虽然AUC较低为0.970，但仍表现出竞争力。大多数分类器在诊断马铃薯叶病方面的可靠性得到了左上角陡峭曲线的证实，这些曲线突显了它们更高的敏感性和更低的假阳性率。图14中的混淆矩阵展示了模型在马铃薯叶病数据集上的分类性能，包括三个类别：健康、早疫病和晚疫病。对角线上的条目代表正确分类的实例，表明模型在所有类别上的准确性都很高。具体来说，500个健康样本中有497个被正确分类，只有2个被误分类为早疫病，1个被误分类为晚疫病。同样，500个早疫病样本中有495个被正确识别，误分类的情况很少：2个被误分类为健康，3个被误分类为晚疫病。对于晚疫病，500个样本中有495个也被正确预测，1个被误分类为健康，3个被误分类为早疫病。低非对角线值突显了模型在减少误分类方面的稳健性。总体而言，混淆矩阵强调了模型在区分疾病类别和健康状态方面的高精度和可靠性。表8. 所提出框架的训练效率和每个时代的计算时间。数据集训练图像批量大小每批/时代每个时代的训练时间（秒）植物村庄53,78764841101玉米或玉米叶病335064536.4马铃薯叶病120064192.3表8展示了所提出框架的数据集训练统计信息，包括训练图像的数量、每批的大小、每个时代的批次数量以及每个时代的训练时间。结果显示每个批次的计算成本是一致的，总时代时间随着批次数量的增加而增加。为了进一步说明所提出框架的可持续性和计算效率，表9将其与代表性的轻量级和移动导向架构进行了比较。像MobileNet-V3和Tiny-LeViT这样的模型通过架构优化（包括深度可分离卷积和神经架构搜索）明确设计来最小化计算复杂性和能耗。所提出的CNN使用了标准的卷积层，因此与MobileNet-V3相比具有更高的FLOPs；然而，这种设计选择使得特征表示更加丰富，并在复杂的农业数据集上提高了分类性能。尽管FLOPs较高，但所提出的框架在GPU上实现了低推理延迟和具有竞争力的能耗，证明了在准确性和计算效率之间的平衡。与基于变压器的Tiny-LeViT相比，所提出的CNN在保持可比准确性的同时，能耗更低，支持其适用于实时和节能的农业监测系统。表10显示了使用所提出框架在所有三个选定数据集上的综合分类性能。表9. 所提出的CNN与代表性轻量级和移动导向架构在性能和计算效率方面的比较。模型设计目标准确率（%）FLOPs（GFLOPs）（J/图像）所提出的准确率–效率平衡97–1001.2–1.60.14–0.35MobileNet-V3移动/边缘94–970.06–0.090.05–0.12MobileNet-V3（L）移动/边缘96–980.20–0.250.10–0.20Tiny-LeViTLW Transformer96–981.5–2.00.30–0.60表10. 使用所提出的CNN框架在所有三个选定数据集上的综合分类性能。表8. 所提出框架的数据集训练统计信息，包括训练图像的数量、批量大小、每个时代的批次数量以及每个时代的训练时间。结果显示每个批次的计算成本是一致的，总时代时间随着批次数量的增加而增加。为了进一步说明所提出框架的可持续性和计算效率，表9将其与代表性的轻量级和移动导向架构进行了比较。模型设计目标准确率（%）FLOPs（GFLOPs）（J/图像）所提出的准确率–效率平衡97–1001.2–1.60.14–0.35MobileNet-V3移动/边缘94–970.06–0.090.05–0.12MobileNet-V3（L）移动/边缘96–980.20–0.250.10–0.20Tiny-LeViTLW Transformer96–981.5–2.00.30–0.60表10. 使用所提出的CNN框架在所有三个选定数据集上的综合分类性能。表11. 对四个分类器在表11中进行的方差统计分析进行了总结，以评估它们的性能是否存在显著差异。进行ANOVA测试的主要目的是确定分类器之间观察到的准确率差异是否具有统计学意义，或者仅仅是由于数据中的随机变化。总方差（SSTotal=1.8400）被分为分类器之间的方差（SSColumns=0.4866）和组内误差方差（SSError=1.3533）。分类器的自由度（df）为3，误差的自由度为8，总共有11。分类器的均方（MSColumns=0.1622）和误差的均方（MSError=0.1692）导致F统计量为F=0.9601。p值（p=0.4575）表明分类器的平均性能之间没有统计学上的显著差异（p>0.05）。这个结果表明，分类器之间的准确率变化相对于随机误差可以忽略不计，支持了根据其他因素（如计算效率或可解释性）选择任何分类器的结论。四个分类器Ci,i∈{1,2,3,4}的性能是基于它们的准确率范围来评估的，其中平均准确率分别为x?c1=99.3%，x?c2=99.2%，x?c3=98.8%，x?c4=98.8%，任意两个分类器之间的平均差异的标准误差为SEDiff=2?MSEn=2?0.169173≈0.336，表12。表11. PlantVillage数据集的ANOVA测试。来源SSdfMSFProb>FColumns0.486630.16220.96010.4575误差1.353380.1692––总1.840011-––表12. PlantVillage的Bonferroni事后检验结果。比较平均差异（xi??xj?）标准误差（近似）未校正pc1?c20.100.3360.300.77c1?c30.500.3361.490.17c1?c40.500.3361.490.17c2?c30.400.3361.190.27c2?c40.400.3361.190.27c3?c40.000.3360.001.00ANOVA测试得出F=0.96和p=0.4575，确认组均值之间没有统计学上的显著差异。进行了成对Bonferroni比较，其中测试统计量为t=x?i?x?jSEdiff，所有调整后的p值均超过校正阈值αadj=0.0083，表明没有显著差异。这些结果从数学上验证了分类器在准确性方面的等效性，表明可以根据计算效率或可解释性等因素来选择模型。为了对选定的分类器集有高度信心，置信区间在图15中绘制出来，清楚地表明FineKNN在这种农业应用中表现稳健。同样，其他分类器的表现也非常出色。下载：下载高分辨率图像（182KB）下载：下载全尺寸图像。图15. 置信区间：Plantvillage数据集。在玉米或玉米数据集的情况下，基于它们的准确率范围评估了前四个分类器Ci,i∈{1,2,3,4}的性能，其中平均准确率分别为x?c1=97.12%，x?c2=95.23%，x?c3=94.59%，x?c4=94.02%。表13中的ANOVA结果表明总体效应显著（F=5.701，p=0.0219），意味着分类器之间的平均准确率变化不太可能仅由随机波动解释。为了确定这种效应的来源，对所有六个分类器对应用了Bonferroni校正的事后测试，表14。分析显示中等KNN相对于Fine KNN有统计学上的显著改进（p=0.0053），这与这些模型之间观察到的最大平均准确率差距（97.12% vs. 94.02%）一致。相比之下，其余对在校正后没有保持统计学显著性，表明它们的性能差异相对较小，在多重比较控制下不显著。总体而言，这些发现支持中等KNN是这种实验设置中识别玉米或马铃薯疾病的最可靠选择，这也从图16中显示的置信区间中可以看出。表13. 玉米或玉米数据集的ANOVA测试。来源SSdfMSFProb>FColumns17.10235.7015.7010.0219误差8.00081.000––总25.10211–––表14. 玉米或玉米数据集的Bonferroni事后检验结果。比较平均差异（xi??xj?）标准误差（近似）未校正pc1?c21.890.822.3140.049c1?c32.530.823.0980.015c1?c43.100.823.7960.0053c2?c30.640.820.7830.455c2?c41.210.821.4810.176c3?c40.570.820.6980.504在马铃薯叶病的情况下，选择了四个分类器Ci,i∈{1,2,3,4}，基于它们的最高准确率，分别是中等KNN、精细KNN、二次SVM和立方SVM。分析使用ANOVA测试（表15）和Bonferroni事后测试（表16）评估了上述分类器的性能。ANOVA揭示了分类器之间的显著差异，F=5.45，dfcolumns=3，dferror=8，p=0.0246。下载：下载高分辨率图像（183KB）下载：下载全尺寸图像。表15. ANOVA测试：马铃薯叶病。来源SSdfMSFProb>FColumns12.52734.1755.4530.0246误差06.13180.766––总18.65811-––表16. Bonferroni事后检验结果。比较平均差异（xi??xj?）标准误差（近似）pc1?c21.440.7152.940.017c1?c31.890.7154.410.003c1?c42.440.7154.210.008c2?c30.450.7151.050.340c2?c41.000.7151.660.136c3?c40.550.820.7150.960.391均方误差（MSE）为0.76648，得到的成对标准误差为SEDiff=2?MSEn≈0.715。表16中的成对比较表明中等KNN（x?1=99.45）和立方SVM（x?4=97.01）之间的平均差异最大，Δ=2.44，t=ΔSEdiff≈3.41，未校正的p=0.008。然而，应用Bonferroni校正（αadj=0.056≈0.0083）后，padj=0.048，使得比较不显著。其他比较，包括Fine kNN与Quad. SVM（Δ=0.45，t≈1.05，padj=1.00），也没有显示出显著差异。虽然ANOVA显示了分类器之间的总体差异，但Bonferroni校正确认没有个别成对比较具有统计学意义，表明性能的可变性不足以证明任何分类器的优越性。为了对选定的分类器集有高度信心，置信区间在图17中绘制出来，清楚地表明FineKNN在这种农业应用中表现稳健。同样，其他分类器的表现也非常出色。下载：下载高分辨率图像（165KB）下载：下载全尺寸图像。表17. 置信区间：马铃薯叶病。表17显示了所提出方法与现有最先进技术在多个数据集上的分类准确率（%）的公平和全面比较。结果表明，所提出的方法在马铃薯叶病数据集上始终达到或超过了最先进技术的性能，准确率最高为99.45%，并在不同数据集上展示了强大的泛化能力。表17. 所提出方法与现有最先进技术在选定数据集上的分类准确率（%）的比较评估。作者年份数据集准确率（%）1Shah等人 [5] 2026 PlantVillage 99.101Zhenzhen等人 [34] 2026–98.041Bouacida等人 [39] 2025–97.131Harisu等人 [40] 2025–99.172Divine等人 [41] 2025–99.033Rado?aj等人 [42] 2024–97.784所提出的2026-99.3010Imtiaz等人 [36] 2026玉米或玉米叶病97.009Saeedah等人 [43] 2026–96.109Irma等人 [44] 2026–93.009Haoyang等人 [45] 2025–96.979Haidong等人 [46] 2025–95.7011Junde等人 [45] 2021–95.8512所提出的2026–97.125Prateek等人 [47] 2026马铃薯叶病99.385Marriam等人 [48] 2026–99.415Suman等人 [35] 2025–97.099Chen等人 [49] 2025–92.046Asif等人 [50] 2025–99.086Tapan等人 [51] 2025–98.908所提出的2026–99.454。结论本研究介绍了一个轻量级CNN模型，该模型位于边缘-云协作框架内。该模型解决了农作物中农业疾病的分类问题，这是农民面临的一个重大挑战。为了实现低延迟和高能效，所提出的解决方案在边缘设备上实时处理图像，而云服务器提高了系统的可扩展性和稳健性。该框架已在三个选定的数据集上进行了测试，实现了卓越的准确率、精确度和F1分数。所提出的架构是为资源受限的环境设计的，确保了在降低计算成本的同时提高疾病分类的可靠性。尽管如此，所提出的框架受到许多限制因素的约束：延迟敏感性，特别是在连接不稳定的地区；边缘设备的硬件限制；以及可能影响模型泛化的环境变化。此外，确保能效和在边缘-云通信期间管理数据隐私仍然是重大挑战。尽管存在这些限制，结果突显了该框架通过实现准确和实时的疾病分类来显著提高可持续性的潜力。因此，有指导方针允许未来的项目追求适应性策略，以改善在真实农业环境中的可扩展性和适用性，包括离线功能、提高能效和动态同步技术。未来的工作将研究深度可分离卷积和量化部署，以进一步减少FLOPs和推理能耗，同时保持分类性能。CRediT作者贡献声明Tallha Akram：写作——原始草稿、验证、监督、软件、方法论、概念化。Omer Chughtai：方法论、调查、数据管理、概念化。Ayman Qahmash：写作——审阅与编辑、验证、方法论。Ghada Atteia：写作——审阅与编辑、监督、资金获取。Marwa Zulfiqar：写作——审阅与编辑、可视化、资源、形式分析。Youssef Altherwy：写作——审阅与编辑、可视化、资源。Shabbab Ali Algamdi：写作——审阅与编辑、可视化、项目管理、调查。Nadia N.卡德里：写作——审稿与编辑；调查；伦理声明
不适用：本手稿未涉及人类或动物实验。
关于科学写作中生成式人工智能的声明：
本手稿的撰写未借助人工智能（AI）的帮助完成。
资金声明：
作者感谢国王哈立德大学的研究与研究生院通过项目编号RGP2/283/46提供的资助。
本研究还得到了沙特阿拉伯利雅得努拉·本特·阿卜杜勒拉赫曼大学（项目编号PNURSP2026R748）的支持。
此外，本研究还获得了萨塔姆·本·阿卜杜勒阿齐兹大学（项目编号PSAU/2026/R/1447）的资助。