Optimized Inception-v4 CNN Combined with YOLOv8 andXGBoost for Tomato Plant Disease Recognition and Classification
Sowmya B · Guruprasad S
提出YOLOv8+Inception-v4+XGBoost混合模型，实现番茄叶片病害精准检测与分类。
YOLOv8定位病斑，Inception-v4提取多尺度特征，XGBoost降维
10类病害识别精度超现有方法，训练准确率0.9969，测试0.9695，单图CPU约200毫秒。
可探索IoT边缘部署、多模态数据融合与可解释AI，提升田间实时病害诊断可信度。
提出YOLOv8+Inception-v4+XGBoost混合模型用于番茄病害识别，准确率与效率数据扎实，对农业AI病害检测有参考价值。
本研究提出了一种集成的混合流水线方法，将优化的Inception-v4卷积神经网络（CNN）、YOLOv8（You Only Look Once version 8）和极端梯度提升（XG Boost）模型相结合，以有效且准确地检测和分类番茄植株病害。所提方法基于YOLOv8模型的细粒度定位能力来准确定位叶片受感染区域、优化的Inception-v4 CNN的多尺度深层特征提取能力，以及XG Boost用于降维和特征优化。该混合模型将Inception-v4 CNN、YOLOv8和XG Boost模型结合在一起，每幅图像的平均CPU处理时间约为200毫秒，模型在计算效率、鲁棒性和更快预测方面表现更优。在Plant Village上的实验测试表明，该模型在10个病害类别上优于现有最先进方法。具体而言，该集成混合系统实现了较高的精确率、召回率、F1分数、平均精度均值（mAP），其训练准确率超过0.98（最高达0.9969），测试准确率超过0.96（最高达0.9695）。即使对于视觉上相似的病害，如细菌性斑点病、早疫病、晚疫病、花叶病毒和黄花叶卷曲病毒，该混合框架也表现出良好的可靠性。将批量大小优化为32，并调整学习率，进一步提高了训练稳定性、收敛速度和整体模型的泛化能力。所提系统有望用于实时、可扩展和可持续的精准农业，旨在实现早期病害检测和产量保护。未来工作包括整合物联网（IoT）边缘设备、田间环境监测、多模态数据融合，以及应用可解释人工智能（EAI）技术以增强模型对最终用户的可解释性。