《Journal of Agriculture and Food Research》：Automatic classification of orange fruit diseases using deep neural network model
编辑推荐：
本文针对柑橘病害自动化检测需求，提出一种结合颜色分割与高斯滤波预处理的深度卷积神经网络（CNN）模型。研究通过优化MobileNetV2、VGG16等架构，在Kaggle提供的1790张柑橘图像数据集中实现97%的分类准确率，显著提升农业病害诊断效率。该模型为作物健康监测系统提供了可靠的技术支持，对保障柑橘产业可持续发展具有重要意义。
随着全球人口增长和健康意识提升，柑橘作为重要维生素来源的需求持续攀升。然而病害导致的产量损失已成为制约柑橘产业发展的关键问题。传统人工诊断方式效率低下且依赖专业知识，难以满足大规模种植园的实时监测需求。在此背景下，孟加拉国巴里萨尔大学的研究团队在《Journal of Agriculture and Food Research》发表研究，通过深度学习技术实现柑橘病害的自动化分类。
研究团队构建了包含1790张图像的数据集，涵盖青霉病（greening）、溃疡病（canker）、黑斑病（black spot）和健康果实四类样本。针对数据量有限和类别不均衡的挑战，研究人员开发了融合高斯模糊（Gaussian blur）与中值滤波（median filtering）的预处理流程，并采用随机裁剪和水平翻转等数据增强策略。核心创新在于提出自定义的Deep CNN-X架构，其包含6个卷积层，通过ReLU激活函数和Dropout正则化优化特征提取能力。
关键技术方法包括：1）基于颜色分割（lower: (10,30,30), upper: (255,255,255)）的目标区域提取；2）对比MobileNetV2、VGG16、InceptionV3等7种预训练模型与3种自定义模型的性能；3）使用Adam优化器（学习率0.001）和分类交叉熵损失函数进行模型训练；4）通过Grad-CAM可视化技术验证特征聚焦效果。
模型性能分析
预训练模型中ConvNext表现最佳（准确率98%），而InceptionV3因结构复杂仅获32%准确率。自定义的Deep CNN-X模型以97%的准确率显著优于传统机器学习方法（如SVM最高93.12%），其宏平均F1-score达0.97，对黑斑病和溃疡病的识别精确度分别达89%和100%。
消融实验验证
通过控制变量实验发现，颜色分割技术使模型特异性提升23%，而高斯滤波处理有效降低噪声干扰。Grad-CAM热力图显示，Deep CNN-X能精准聚焦病害区域，而VGG16-X模型存在特征分散问题。
与传统方法对比
与Kukreja等提出的稠密CNN模型（89.1%）相比，本研究的Deep CNN-X在相同数据集上准确率提升7.9个百分点。特别在样本量最小的黑斑病类别中，召回率从现有研究的40%提升至97%。
研究结论表明，该轻量化模型适用于移动端部署，为实时病害监测系统提供新思路。未来工作将探索多光谱图像融合与三维卷积神经网络结合，进一步提升复杂环境下的诊断鲁棒性。该成果不仅为柑橘病害防控提供技术支撑，也为其他农作物智慧管理提供了可迁移的范式。
