基于反馈的验证学习的多路径神经网络架构用于鲁棒植物病害分类

《Array》：Multi-pathway neural network architecture with feedback-based validation learning for robust plant disease classification

　　

基于叶片图像的自动植物病害分类要求模型同时实现高精度与高效的训练收敛。标准深度学习方法通过单一特征路径处理图像，限制了对颜色变化、纹理模式和空间分布等多种视觉表现的捕获能力。本文提出了DMCNNA-FBVL框架，整合两项互补创新：(1)深度多组件神经网络架构（Deep Multi-Component Neural Network Architecture, DMCNNA），采用三个专门路径分别处理颜色空间统计、纹理描述符和原始图像特征，并通过SoftMax加权聚合进行融合；(2)基于反馈的验证学习（Feedback-Based Validation Learning, FBVL），一种定期将验证集梯度混合到权重更新中以加速收敛的训练策略。在New Plant Diseases数据集（87,000张图像，38个类别）上的实验表明，DMCNNA-FBVL达到了98.7%的准确率、98.8%的精确率、98.6%的召回率和98.7%的F1分数，比ResNet-50高出3.2个百分点（p<0.001）。主要报告的指标完全在独立的10%留出测试集上计算，而单独的10%验证集仅在训练期间用于FBVL梯度混合，不参与最终测试评估。五折交叉验证确认了稳定性（98.7% ± 0.15%）。消融实验证实了加性增益，同时FBVL通过更快的收敛将墙钟训练时间减少了15%。

植物病害严重威胁全球粮食安全，每年造成全球20%至40%的作物损失。早期准确检测可实现及时干预，减少损失并保障可持续农业。传统识别方法依赖农业专家目视检查，耗时、主观且常无法覆盖偏远地区。深度学习，特别是卷积神经网络（CNN）以及AlexNet、VGG、ResNet、GoogLeNet、MobileNet和EfficientNet等架构，已在植物病理数据集上取得显著成果。然而，现有方法存在四个关键限制：单一路径特征瓶颈，难以同时捕捉颜色变化、纹理变化和空间分布等多方面表现；被动验证范式，仅将验证集用于评估和超参数选择，未利用验证反馈主动改进学习动态；农业数据上的过拟合，因类内变异高、类间区分度低；计算效率低，仅关注精度而不考虑训练时间开销。此前多组件架构和反馈式训练虽已分别被研究，但从未综合应用于植物病害分类。因此，本研究旨在回答：多组件架构与反馈式验证学习的结合能否优于单独方法和现有最先进方法？

研究人员提出了DMCNNA-FBVL统一框架，整合两项先前独立验证的创新：深度多组件神经网络架构（DMCNNA）和基于反馈的验证学习（FBVL）。在New Plant Diseases Dataset上的实验表明，DMCNNA-FBVL达到98.7%准确率，比ResNet-50高出3.2个百分点，所有改进均统计显著；五折交叉验证确认稳定性；消融实验显示加性增益；FBVL通过更快收敛将训练时间缩短15%。该研究首次将这两项创新整合到大规模农业分类任务中，证明其组合产生协同的加性改进，为高效鲁棒的植物病害分类提供了新途径。论文发表在《Array》。

主要关键技术方法包括：三路径输入策略，即颜色空间统计（HSV/LAB）、纹理描述符（LBP/GLCM）和整体图像特征，分别送入专门网络组件；SoftMax加权融合动态聚合各组件输出