基于元启发式优化的DensoMobileForestNet模型在苹果叶部病害精准诊断中的应用研究

为解决苹果叶部病害精准分类难题，研究人员开发了融合MobileNetV2和DenseNet201特征的DensoMobileForestNet深度学习模型，结合随机森林(RF)分类器与粒子群优化(PSO)算法，实现95.65%的分类准确率(AC)，为农业病害智能诊断提供高效解决方案。

　　

全球农业生产对植物病害精准识别的迫切需求，正推动着智能诊断技术的革新。这项研究构建了名为DensoMobileForestNet的创新框架，巧妙融合轻量级MobileNetV2和深度特征提取器DenseNet201的双重优势，通过随机森林(Random Forest, RF)分类器对苹果叶部病害进行高精度判别。研究团队从三个不同来源获取的叶片图像数据集，经过严格的预处理流程后，采用特征融合技术将多源卷积神经网络(CNN)的深层特征进行整合，显著提升了模型的鲁棒性。

针对传统超参数调优的局限性，研究创新性地引入元启发式优化三剑客——蚁群算法(ACO)、粒子群优化(PSO)和差分进化(DE)进行自动化参数寻优。实验数据表明，经PSO算法调优的模型表现最为亮眼，分类准确率(AC)飙升至95.65%^*，在计算效率和统计显著性方面均展现出明显优势。这项技术突破不仅为果园病害早期预警提供了智能化工具，更为农业人工智能领域的模型优化策略树立了新标杆。

（注：^*原文中AC为斜体表示，此处保留专业符号规范）