A Machine Learning Approach for Cassava Leaf Disease Identification Using Constraint-Regularized Neural Networks and AJFO Meta-Optimization

木薯叶部病害的早期诊断对于提高木薯产量和支撑可持续农业至关重要。然而，传统深度学习方法在复杂田间条件下鲁棒性不足，存在人工超参数调优的问题，且未能充分利用病害的结构信息，导致分类精度低、泛化能力差。为应对这些挑战，本文提出了一种用于木薯叶部病害识别的统一机器学习框架，该框架融合了增强图像预处理、残差多尺度U-Net（RMUNet）分割、多级特征提取（MLFE）、约束正则化神经网络（CRNN）以及人工水母优化算法（AJFO）。所提方法不同于传统的基于RMUNet的病害检测技术，后者采用面向病害的多尺度分割并在特征空间中进行结构正则化，以增强在光照变化、背景杂乱和田间噪声条件下的分类鲁棒性。此外，AJFO用于自动调整学习率、批大小、丢弃率、训练轮数和正则化系数，从而消除了这些参数的人工调优，提高了收敛稳定性。计算复杂度分析还表明，优化的额外开销仅存在于离线训练阶段，推理复杂度与传统深度学习模型相当。在木薯叶部病害数据集上的实验结果表明，所提框架具有显著效果：健康叶片分类准确率达99%，木薯花叶病（CMD）分类准确率达97%，木薯绿螨（CGM）分类准确率达95%，木薯褐条病（CBSD）分类准确率达93%，且在精确率、召回率和F1分数上均持续优于CNN-PLDD、SVM-PLDD和DENN-PLDD。总体而言，所提出的集成框架展示了其在不同成像条件下实现有效收敛、更优泛化性能和有效病害分类性能的能力，被认为是智能精准农业和自动化作物健康监测的有力解决方案。