Comparative Analysis of Decision-Level Ensemble Voting Strategies for Tomato Leaf Disease Classification Using EfficientNet-B0 and MobileNetV2
Hani Nafis Muzaki · Yahya Nur Ifriza
系统比较硬投票、软投票与加权软投票三种决策级集成策略，用于番茄叶片病害分类。
EfficientNet-B0与MobileNetV2独立训练后集成，用网格搜索
加权软投票最优（准确率95.15%，宏F1 0.9417），仅软投票与加权软投票显著优于最佳单模型。
可探索更多轻量模型组合与动态权重策略，并在真实田间复杂背景下验证集成方法的鲁棒性。
方法对比扎实、含统计检验与量化结论，但属细分模型研究，产业影响有限，适合作为技术类精选。
摘要。番茄叶片病害是农业生产力的主要威胁，因此准确、及时地进行病害分类对于支持精准农业至关重要。近年来，卷积神经网络的进展显著提升了植物病害的自动识别能力，而集成学习通过结合多个模型的预测结果进一步提高了分类性能。在各种集成方法中，决策级投票策略，包括硬投票、软投票和加权软投票，因其简单有效而被广泛采用。然而，针对这些投票策略的系统比较，尤其是在结合轻量级CNN架构进行番茄叶片病害分类时，仍然有限。因此，本研究考察了不同决策级投票策略的比较性能，为选择最合适的集成方法提供实证依据。目的：本研究旨在系统比较硬投票、软投票和加权软投票在结合EfficientNet-B0和MobileNetV2时的表现，以确定番茄叶片病害分类中最有效的决策级集成策略。方法/研究设计/研究路径：EfficientNet-B0和MobileNetV2分别独立训练，并通过基于置信度的平局打破硬投票、软投票和加权软投票进行结合，其中投票权重通过网格搜索进行优化。采用准确率、宏F1分数、混淆矩阵和McNemar检验评估性能。结果/发现：EfficientNet-B0作为最佳单一模型优于MobileNetV2（准确率94.05%、宏F1分数0.9266，对比准确率90.64%、宏F1分数0.8781）。三种集成策略均进一步提升了分类性能，其中加权软投票表现最佳（准确率95.15%、宏F1分数0.9417）。McNemar检验表明，只有软投票和加权软投票显著优于最佳单一模型，而硬投票则没有。三种集成投票策略之间未观察到统计学显著差异。创新性：本研究系统比较了硬投票、软投票和加权软投票在番茄叶片病害分类中使用EfficientNet-B0和MobileNetV2进行决策级集成的表现。除评估预测性能外，本研究还引入McNemar统计检验，以确定所观察到的性能差异