PLANT FRUIT DISEASE SEVERITY ALERT NETWORK USING HYBRID DEEP LEARNING AND A RETRIEVAL-AUGMENTED GENERATION MODEL

农业生产中的水果产量深受植物病害影响，这些病害会导致作物减产、果实品质下降、农药依赖加剧，并威胁全球粮食安全。病害症状在病斑纹理、形状、颜色、感染扩散方式及环境背景方面差异显著，使得病害的准确识别颇具挑战。现有机器学习方法依赖手工设计特征，在不同田间条件下泛化能力较差。传统深度学习方法亦存在局限，包括病斑边界提取不准确、分布式农业数据中的隐私问题，以及缺乏严重程度感知的决策支持。为应对这些挑战，本研究提出了一种集成智能方法，通过分割、隐私保护分类及可解释的严重程度预测——即植物果实病害严重程度预警网络（PDANet）——实现水果病害检测与严重程度估计。果实病害图像数据集采用各向异性扩散滤波器进行预处理，以在保留病害边界和纹理信息的同时抑制噪声。随后使用所提出的可变形增强多通道注意力Swin U-Net（DES-UNet）对图像进行分割，该网络融合了增强多通道注意力和基于可变形卷积的多层感知机，以改进病斑边界提取、上下文特征学习及不规则症状定位。病害分类采用所提出的基于量子时序网络的联邦学习（QC-FL）框架完成，其中本地模型基于量子时序网络（Quantum ChronoNet）。最后，利用基于检索增强生成（RAG）的大语言模型（LLM）估计病害严重程度，该模型结合分割病斑测量值、分类病害信息及检索到的农业知识来估计病害严重程度并生成情境化的农户预警。所提出的PDANet模型达到了98.8%的准确率、98.5%的F1分数、98.2%的灵敏度、98.6%的特异度、0.98的Kappa系数、0.98的马修斯相关系数（MCC）以及0.97的总体检测率（GDR）。实验结果表明，所提出的模型能够提供准确且稳定的水果病害分类，支持基于病斑的严重程度评估。