Hybrid Deep Feature Extraction and Ensemble Machine Learning for Potato Leaf Disease Classification in Uncontrolled Field Conditions

在马铃薯实际田间条件下，早期准确地诊断叶片病害对于防止产量损失至关重要。本研究提出了一种基于混合深度特征的机器学习框架，该框架结合迁移学习和集成分类器，从图像中自动识别七类马铃薯叶片病害。来自公开可用的马铃薯叶片病害数据集的4,260张图像被分为七个类别：细菌（Bacteria）、病毒（Virus）、害虫（Pest）、真菌（Fungi）、线虫（Nematode）、疫霉（Phytophthora）和健康（Healthy）。使用Keras ImageDataGenerator进行实时图像增强，以提高对田间变异的鲁棒性。从三个预训练的卷积神经网络（ResNet50、EfficientNetB0和MobileNetV2）中提取深度特征向量，每个网络后接一个轻量级密集头，并将其拼接为768维特征表示。经过标准化后，通过主成分分析进行降维，并使用SMOTE-ENN混合重采样方法解决训练集中的类别不平衡问题。在这些深度特征上，训练了32种经典机器学习和集成模型，包括支持向量机、基于树的方法、提升算法、多层感知机以及四种集成方案。通过训练集上的三折交叉验证和保留验证集上的最终评估，使用准确率、精确率、召回率和宏F1分数评估模型性能。集成模型优于单个分类器。最佳性能由StackingClassifier_L2模型获得，该模型在堆叠框架内结合了XGBoost、LightGBM、随机森林、带RBF核的支持向量机和极端随机树。该模型在验证集上达到了81.34%的准确率和81.74%的宏F1分数。所提出的混合系统将多骨干深度特征提取与全面的经典分类器和集成分类器相结合，为无控制田间条件下的马铃薯叶片病害自动分类提供了一种稳健且实用的解决方案。结果表明，基于深度特征的堆叠集成能够比单一模型更有效地捕捉复杂的视觉模式，并可能支持精准农业中的决策。