基于 Grad-CAM 可视化的集成深度学习橄榄叶疾病分类

《BMC Plant Biology》：Ensemble deep learning with Grad-CAM visualization for olive leaf disease classification

　　

摘要

早期准确检测橄榄叶疾病对于理解植物健康动态和改善可持续作物生产至关重要。本研究提出了一种针对基于叶片图像分类橄榄叶疾病的多种集成深度学习策略的对比评估。提出的框架使用迁移学习结合了 EfficientNet、ResNet 和 MobileNet 架构，并比较了多种集成策略，包括加权软投票、非加权软投票、硬投票和堆叠。使用了一个包含 3,400 张橄榄叶图像的公开数据集，由健康、橄榄叶潜叶螨和橄榄孔雀斑三类组成。为了减少环境噪声并改善与疾病相关的特征学习，在训练集上应用了包括叶 - 背景分割和基于旋转的数据增强在内的预处理步骤。在交叉验证期间，仅对训练折应用受控数据增强，以增加训练多样性并减少类别不平衡的影响。提出的框架使用分层五折交叉验证和留出测试集进行了严格评估。每个基础模型使用训练数据进行训练和微调，随后生成集成预测并在留出测试集上进行评估。在所评估的集成策略中，堆叠集成取得了最佳的整体性能，准确率为 0.9721，宏平均 F1 得分为 0.9720，宏平均 ROC-AUC 为 0.9946，Cohen's Kappa 得分为 0.9578。结果表明，通过基于图像的分析可以有效地捕捉与疾病相关的视觉特征，但在考虑实际应用之前，仍然需要在多种田间条件下进行独立验证。