基于先进3D浅层深度神经网络与优化算法的水果病害精准高效分类研究

针对农业领域水果病害导致的经济损失问题，研究人员提出EFDDNN-EI系统，结合RBAEKF降噪、NTEWT特征提取和3DSDNN分类器，通过CCHHO优化实现草莓/苹果病害分类。实验显示其测试准确率最高提升27.68%，计算时间降低24.66%，为智慧农业提供高效解决方案。

　　

水果病害是威胁全球农业生产的隐形杀手。草莓灰霉病(Botrytis cinerea)、苹果黑星病(Scab Apple)等病害每年造成数十亿美元损失，传统人工检测效率低下且易误判。尽管深度学习技术如卷积神经网络(CNN)已应用于病害识别，但现有模型存在参数量大、计算成本高、对小样本病害敏感度不足等缺陷。在此背景下，研究人员开发了EFDDNN-EI系统，通过多技术融合实现轻量化高精度分类。

该研究采用两大公开数据集——草莓病害数据集(含灰霉病、蚜虫等10类)和苹果病害数据集(4类)，通过Regularized Bias-Aware Ensemble Kalman Filtering (RBAEKF)进行图像降噪，利用Newton Time-Extracting Wavelet Transform (NTEWT)提取颜色、纹理等多维特征，构建3D Shallow Deep Neural Network (3DSDNN)分类器，并创新性引入Crisscross Harris Hawks Optimizer (CCHHO)优化模型参数。

文献调查
现有研究存在明显技术断层。Karki等(2024)采用迁移学习CNN检测草莓病害，但未解决模型臃肿问题；Chen等(2023)改进YOLOV5算法实现轻量化，但牺牲了精度；Subha等(2024)基于生成对抗网络(DSGAN)的苹果病害检测方法计算复杂度高。这些方法在实时性和准确性间难以平衡，凸显本研究的创新价值。

研究方法
EFDDNN-EI系统架构包含四级处理链：1) RBAEKF通过正则化偏置感知的卡尔曼滤波集成消除图像噪声；2) NTEWT采用牛顿时间抽取小波变换提取多尺度特征；3) 3DSDNN采用三维浅层结构(仅含5个隐藏层)实现空间-光谱特征联合学习；4) CCHHO通过交叉搜索机制优化网络权重，相比传统HHO算法收敛速度提升30%。

实验结果
性能指标全面超越基线模型：在草莓数据集上，测试准确率达98.67%，较SDD-TLDCNN、SDD-YOLOV5和SIFFD-DSGAN分别提升16.89%、18.57%和27.68%；计算时间缩短至0.38秒/样本，较对比模型最高降低24.66%。ROC曲线分析显示AUC值达0.992，证明模型对罕见病害(如草莓根腐病)的识别鲁棒性。

结论与展望
该研究通过RBAEKF-NTEWT-3DSDNN-CCHHO的技术链，首次实现轻量化(参数减少62%)与高精度(Recall提升30.62%)的协同优化。其创新点在于：1) 将卡尔曼滤波引入农业图像预处理；2) 开发时空特征融合的3D浅层网络；3) 改进HHO算法加速模型收敛。未来可扩展至其他经济作物病害检测，推动精准农业落地应用。