A PCA-based deep feature optimization framework for explainable orange fruit disease classification

doi:10.1186/s12870-026-09984-8

A PCA-based deep feature optimization framework for explainable orange fruit disease classification

2026-09-23

0

OA

AI

Sagar Dhanraj Pande *

T

Tanuja Pande

DOI：10.1186/s12870-026-09984-8

原文链接

查看原文

摘要

En 中文

柑橘果实病害的准确分类对精准农业和产量保护具有重要意义。本研究开发并严格评估了一种用于分类黑斑病、溃疡病、新鲜和黄化柑橘（1,090张图像）的混合深度特征框架，结合了深度特征提取、基于PCA的降维和经典机器学习分类。在5×5重复分层交叉验证下，评估了8种骨干网络（7种CNN和1种Vision Transformer，ViT）和4种分类器（共32种配置），并在每次迭代中将PCA仅拟合到训练折特征上，以消除数据泄露。所提出的ViT+PCA+SVM配置达到了最高的平均准确率，为99.12%±0.71%，显著优于所有基于CNN的骨干网络，包括DenseNet201+PCA+SVM（98.48%±0.81%，p<0.001）。专门的方差保留敏感性分析证实了研究中所使用的98%阈值，消融实验表明，PCA显著降低了特征维度（ViT约55.7%，DenseNet201约76.6%），而两种骨干网络的准确率均未显著损失。可解释性分析——对提出的ViT模型采用遮挡敏感度和SHAP，对DenseNet201对比模型采用Grad-CAM和SHAP——表明两种配置均基于生物相关的、受病害影响的果实区域进行预测，而非无关线索。结果表明，ViT+PCA+SVM是评估中最准确的配置，而DenseNet201+PCA+SVM是智能果园病害监测系统中一种竞争性强、更紧凑的卷积替代方案。

Keyword:

Orange disease detection

CNN-based classification

Deep feature extraction

Interpretable machine learning

SHAP-based explanation

A PCA-based deep feature optimization framework for explainable orange fruit disease classification

摘要

AI总结

期刊

机构

引用论文