基于多参数模糊软集的植物病害分类技术在推动可持续农业发展中的应用

《Scientific Reports》：Advancing sustainable agriculture through multi-parameter fuzzy soft set–based plant disease classification

　　

摘要

植物病害会严重影响农业生产力与全球粮食安全，而由于叶片图像中的症状表现往往不确定且存在重叠，准确识别病害仍面临挑战。现有的深度学习方法通常需要大量的标注数据集，且在实际农业环境中的可解释性较差。本研究基于PlantVillage数据集中的番茄叶片图像，提出了一种多参数改进的模糊软集分类框架用于植物病害识别。其目标是构建一种具备可解释性且可靠的分类模型，通过特征驱动的模糊相似度分析来应对植物病害模式的不确定性。该方法整合了图像预处理、颜色与纹理特征提取、基于方差的特征权重分配、利用K均值聚类生成原型，以及运用马氏距离和高斯隶属函数进行模糊相似度计算。从标准化的叶片图像中提取RGB、HSV和灰度共生矩阵特征，并在改进的模糊软分类框架中对这些特征进行评估。研究通过机器学习模型进行性能比较，这些模型包括使用Scikit-learn库在Python中实现的支持向量机、随机森林、线性判别分析和朴素贝叶斯。实验模拟结果表明，所提出的框架在保持可解释性和稳健性的同时，能够在特征分布不明确的条件下实现出色的分类性能。性能评估通过准确率分析、ROC-AUC曲线、混淆矩阵、消融实验以及威尔科克森符号秩统计检验来完成。所提出的改进模糊软模型准确率为88.57%，低于线性判别分析（94.92%）、随机森林（97.78%）和支持向量机（97.94%）的分类效果。但在跨数据集验证中，该模型的准确率为67.35%，高于线性判别分析（51.02%）、随机森林（51.02%）和支持向量机（55.10%）的准确率。通过威尔科克森符号秩检验得到的p值为\(2.013681389187048 \times 10^{-12}\)，表明在当前实验条件下，改进模糊软框架与随机森林分类器之间的性能差异具有统计学显著性。