Bridging the performance–efficiency gap: a resource-efficient hybrid DL-ML framework for jackfruit disease detection

热带地区农业环境中复杂的环境多变性和有限的计算资源给自动化检测带来了挑战，其中菠萝蜜病害对收获产量和粮食安全构成重大威胁。传统机器学习模型往往难以在不同图像条件下泛化。对于可持续、可田间部署的诊断系统而言，弥合性能与效率之间的差距至关重要，因为传统深度学习方法需要大量训练数据和高端硬件。我们提出了一种混合深度学习-机器学习（DL-ML）框架，专为准确且资源高效的菠萝蜜病害识别而设计。该框架利用轻量级自定义卷积神经网络（CNN）结合预训练的EfficientNet-B0提取深度视觉表征，同时捕获局部和嵌套图像特征。采用主成分分析（PCA）进行特征优化，以增强判别能力并消除冗余，同时利用SMOTE通过生成合成少数类样本以缓解数据集不平衡问题。随后，采用多种机器学习算法对所选特征进行分类，包括随机森林（RF）、支持向量机（SVM）、XGBoost、CatBoost和k近邻（KNN）。堆叠集成模型融合了这些分类器的优势，增强了在不同光照和背景条件下的泛化能力和鲁棒性。在多种数据集配置上的实验表明，准确率从原始数据上的76.80%显著提升至PCA增强数据集上的99.39%，说明该混合集成模型始终优于所有单一深度学习和机器学习基线。尽管该方法目前针对菠萝蜜病害数据集进行了定制，但其对其他作物或胁迫条件的适用性仍需更多领域自适应研究。然而，该模型的高准确率凸显了其在低资源农业环境中的可扩展性和实用性。此外，它建立了一种经济高效的诊断范式，使高效的机器学习分类与深度特征提取协同工作，为下一代智慧农业和精准农业系统奠定了基础。