用于昆虫相关植物叶片病害分类的 FusionViT CNN 自适应框架

《Scientific Reports》：FusionViT CNN adaptive framework for insect associated plant leaf disease classification

　　

摘要

及时准确地诊断昆虫引起的叶片病害对于减少作物损失和维护粮食安全至关重要。然而，由于少数病害类别缺乏特征，传统的卷积神经网络（CNNs）往往更容易出现误报。为了解决这个问题，我们提出了 FusionViT-CNN，这是一种高精度的混合堆叠集成模型，结合了视觉 Transformer 的全局上下文感知能力和 CNN 的局部特征提取能力。通过堆叠元学习器集成策略，该架构能够抑制背景噪声并克服单一模型难以解决的视觉歧义。提出的集成模型在 31,098 张混合图像上进行了测试，达到了 99.65% 的最先进精度，超越了 ResNet50 (93.28%) 和 MobileNetV2 (96.30%) 等传统基线模型。更重要的是，我们的误差分析表明，该集成模型将诊断误差减少了 94.7%，将整体误分类样本数量从 209 个（ResNet50）降低到仅 11 个。特别是，它在少数类别中消除了幻觉问题，在苹果桧锈病上达到了 100% 的精确率，而基线模型在此表现相当差。我们还借助可解释人工智能（XAI）方法检查了模型的可信度；Grad-CAM 和 LIME 可视化证明，模型的决策模式具有生物学依据，且仅专注于坏死病变和锈疱，而不是环境伪影。这些发现表明，FusionViT-CNN 框架是一个基于精度的、非常可靠的自动化农业诊断解决方案。