一种基于分层 BYOL 的深度学习框架，利用自监督学习和症状保留实现可解释的叶片病害识别

《Scientific Reports》：A hierarchical BYOL-based deep learning framework for explainable leaf disease recognition utilizing self-supervised learning and symptom preserving

　　

摘要

准确的叶片病害识别仍然具有挑战性，因为监督式深度学习模型需要大量的标注数据，并且可能难以区分颜色、纹理和病斑模式重叠的病害。本研究提出了一种分层自监督学习框架，该框架结合了 Bootstrap Your Own Latent (BYOL) 预训练、一个中间的健康与患病微调阶段，以及使用 ResNet34 骨干网络的最终五分类。该方法的新颖之处在于，在进行细粒度病害分类之前，逐步特化所学到的表征，而不是直接将 BYOL 特征转移到多类任务中。此外，本研究定量评估了所选数据增强是否保留了与病害相关的结构、颜色、纹理和病斑信息，解决了植物病害研究中通常仅定性处理的一个假设。该框架在一个经过整理的辣椒叶片数据集上进行了评估，该数据集包含来自健康、尾孢菌、螨虫和蓟马、营养缺乏和白粉病类别的 13,342 张图像。在一致的实验协议下，与从零训练的 ResNet34、ImageNet 迁移学习、直接 BYOL 微调以及另一种自监督方法进行了对照比较。所提出的流程实现了 0.9266 的测试准确率、0.9190 的宏平均 F1 分数和 0.9741 的宏平均 ROC-AUC。与直接由 BYOL 到多类的微调相比，引入二元中间阶段将宏平均 F1 提高了 0.0111，显示出适度但一致的优势。事后 Grad-CAM 分析进一步表明，预测结果通常与视觉上相关的症状区域有关。这些发现确立了分层表征细化和定量评估数据增强在标签高效叶片病害分类中的重要性，但在更广泛的跨作物或田间级别部署之前，仍需进行外部验证。