A PCA-based deep feature optimization framework for explainable orange fruit disease classification
Amruta Hingmire · Avinash Golande · Vinodkumar Bhutnal 等 5 人
提出PCA深度特征优化框架，用ViT+SVM分类橙子病害，准确率达99.12%。
8种骨干网络提取特征，PCA降维，4种分类器，5×5交叉验证。
ViT+PCA+SVM最优，PCA降维超55%且精度不降，可解释性验证有效。
可探索轻量化模型在移动端或边缘设备的实时病害检测与多作物泛化。
方法严谨、数据与消融实验充分，对果园智能病害监测有实用参考价值，但属细分技术论文，产业影响有限。
橙类果实病害的准确分类对精准农业和产量保护具有重要意义。本研究开发并严格基准测试了一种混合深度特征框架，用于对黑斑病、溃疡病、新鲜和黄龙病橙类（1，090张图像）进行分类，该框架结合了深度特征提取、基于PCA的降维和经典机器学习分类。在5×5重复分层交叉验证下评估了八种骨干网络（七种CNN和一种视觉Transformer，ViT）和四种分类器（共32种配置），每次迭代中PCA仅在训练折特征上拟合以消除数据泄漏。所提出的ViT + PCA+SVM配置取得了最高平均准确率，为99.12%±0.71%，显著优于所有基于CNN的骨干网络，包括DenseNet201 + PCA + SVM（98.48%±0.81%，p < 0.001）。专门的方差保留敏感性分析证明了全程使用的98%阈值是合理的，消融实验证实PCA大幅降低了特征维度（ViT约降低55.7%，DenseNet201约降低76.6%），且两种骨干网络均无显著准确率损失。可解释性分析——对所提出的ViT模型采用遮挡敏感性和SHAP，对DenseNet201对比模型采用Grad-CAM和SHAP——表明两种配置均基于果实中生物学相关的病害影响区域而非虚假线索进行预测。这些结果确定ViT + PCA+SVM为所评估的最准确配置，而DenseNet201 + PCA + SVM则是一种竞争力接近且更紧凑的卷积替代方案，可用于智能果园病害监测系统。