基于混合深度特征框架的橙子果实疾病分类基准测试与最优配置研究

《BMC Plant Biology》：A PCA-based deep feature optimization framework for explainable orange fruit disease classification

　　摘要准确的橙子果实疾病分类对精准农业和产量保护至关重要。本研究开发并严格基准测试了一个混合深度特征框架，用于分类黑斑病、溃疡病、健康橙和青绿病橙（共1,090张图片），该框架结合了深度特征提取、基于主成分分析（PCA）的降维和经典机器学习分类。在5×5重复分层交叉验证下，评估了八种骨干网络（七种卷积神经网络和一种视觉Transformer（ViT））和四种分类器（共32种配置），并在每次迭代中仅使用训练折特征拟合PCA，以消除数据泄露。提出的ViT+PCA+SVM配置达到了最高的平均准确率99.12%±0.71%，显著优于所有基于卷积神经网络的骨干网络，包括DenseNet201+PCA+SVM（98.48%±0.81%，p<0.001）。专门的方差保留敏感性分析证明了所使用的98%阈值，消融实验证实PCA在不显著降低任何骨干网络准确率的情况下，大幅降低了特征维度（ViT降低约55.7%，DenseNet201降低约76.6%）。可解释性分析——针对提出的ViT模型的遮挡敏感性和SHAP分析，以及针对DenseNet201对比模型的Grad-CAM和SHAP分析——表明两种配置均基于果实上生物相关的、受疾病影响的区域进行预测，而非虚假线索。这些结果确定ViT+PCA+SVM为评估中最准确的配置，而DenseNet201+PCA+SVM作为紧随其后的、更紧凑的卷积替代方案，适用于智能果园疾病监测系统。