Fine-Tuned Hybrid Deep Learning Framework for Plant Disease Classification Using MobileNetV2 and EfficientNetB0 Feature Fusion
Ikromjon Tojiboev · Youn-Mo Soung · Gwang-Jun Kim
融合MobileNetV2与EfficientNetB0特征并微调，实现植物病害高精度分类。
ImageNet预训练双骨干特征级融合+选择性微调，用PlantVillage
微调混合模型验证准确率达98.90%，优于单模型与未微调混合模型。
可探索轻量化融合模型在田间复杂背景与移动端的实时病害识别部署。
方法有实质创新且验证精度高，但属实验室数据集研究，产业落地影响有限，可作为技术前沿参考。
植物病害会显著影响作物生产力并造成农业损失，因此需要准确且自动化的病害识别方法。深度学习已成为基于图像的植物病害识别的有效方法；然而，依赖单一CNN架构可能会限制可用于分类的视觉表征的多样性。本研究提出了一种经过微调的混合框架，通过特征级融合将MobileNetV2和EfficientNetB0相结合，用于植物病害分类。这两个骨干网络提供了互补的表征，其中MobileNetV2具有轻量级特征提取能力，EfficientNetB0则提供更丰富的视觉表征。研究采用了ImageNet预训练权重，并随后进行选择性微调，以使学习到的表征适应目标植物病害数据集。实验使用包含38个植物病害类别的PlantVillage数据集进行，实验流程中纳入了图像预处理、数据增强、迁移学习和微调。所提出的微调混合模型达到了98.90%的验证准确率，而MobileNetV2为93.57%，EfficientNetB0为95.86%，未微调的混合模型为97.94%。该模型在评估的病害类别中还取得了较高的精确率、召回率和F1分数。总体而言，结果表明，将互补的特征表征与选择性微调相结合，可以提高在PlantVillage数据集上的分类性能，并为智慧农业应用中的实际植物病害诊断提供了有前景的基础。