Leakage-Proof Reliability-Aware Deep Learning Framework for Rice Leaf Disease Diagnosis

及时、准确地诊断水稻叶片病害对于减少损失和实现精准农业管理具有重要意义。本文基于Mendeley水稻叶片病害数据集，提出了一种感知泄漏且面向可靠性的深度学习框架，用于水稻叶片病害分类。为避免训练集与验证集中出现相似和重复图像的问题，该框架引入了感知哈希（perceptual hashing）和分层分组K折交叉验证。评估内容包括域内分类准确率、对受控图像损坏的鲁棒性、期望校准误差（Expected Calibration Error）与温度缩放方法的评估、基于风险-覆盖率分析的选择性预测、外部数据集验证以及计算效率分析。域内评估取得了近乎完美的分数。应用于各折评估的交叉验证方法所达到的准确率较高，而外部UCI水稻叶片数据集则呈现出显著较低的值，准确率为54.17%，宏F1为48.98%。这一对比表明，若存在域偏移，高域内准确率应谨慎看待。此外，效率与可靠性分析表明，中等规模的卷积模型，尤其是基于ResNet的模型，相较于更大的高容量模型，在预测性能与计算成本之间实现了更好的权衡。因此，所提框架中的建议评估方案不仅关注准确率，还关注在人工智能辅助水稻叶片病害诊断背景下面向部署的评估。