多模型混合深度学习方法：通过特征级和决策级融合实现准确且实时的水果病害识别

《Applied Fruit Science》：Multi-Model Hybrid Deep Learning Approach for Accurate and Real-Time Fruit Disease Identification Using Feature-Level and Decision-Level Fusion

　　

摘要

水果疾病对全球粮食安全和农业可持续性构成了重大挑战，导致了巨大的经济损失。传统的人工诊断方法耗时、主观性强且容易出错，尤其是在复杂的环境条件下。深度学习和计算机视觉领域的最新进展提高了疾病检测的准确性；然而，现有方法在多类分类、阈值敏感性和不同光照条件下的表现往往不佳。本研究提出了一种名为“多模型混合深度学习”（MMHDL）的鲁棒框架，旨在提高分类准确性和泛化能力。该框架整合了三种结构互补的卷积神经网络架构——ResNet-50、VGG-19和EfficientNet-B4——并采用双重融合策略，结合了特征级和决策级的融合方法。基于Grey Wolf优化器的特征选择模块将高维特征空间（7936个特征）减少了约75%，仅保留最具区分性的特征表示。该混合框架包括多模型特征提取、自适应特征选择以及通过softmax进行可学习的加权决策融合。在PlantVillage和Fruits-360数据集上进行的评估涵盖了10种水果类型和38种疾病类别的87,138张图像，采用了多种数据增强技术，如翻转、旋转、亮度调整、高斯噪声和裁剪规范化。使用五折交叉验证的实验结果表明，该框架的性能优于单一模型、基于注意力机制的卷积神经网络和Vision Transformer基线模型，准确率达到98.74%，同时具备较高的精确度、召回率和F1分数。实时推理能力已在高性能设备和边缘设备上得到验证，支持其在精准农业和智能农业系统中的应用。