Este estudio propone un marco adaptativo de Mezcla de Expertos (MoE) que integra EfficientNet-B0, DenseNet-121 y Swin-Tiny para abordar los desafíos en la clasificación de enfermedades en hojas de plantas bajo fondos complejos e desequilibrio de clases.
- El marco utiliza enrutamiento multiarquitectónico para explotar características complementarias multiescala, locales y globales de los tres modelos.
- Un mecanismo de puerta suave asigna dinámicamente pesos de experto dependientes de la entrada.
- Se emplea una estrategia de entrenamiento de refinamiento en dos etapas para mejorar la estabilidad de la optimización y la generalización.
- Los experimentos en un conjunto de datos altamente desequilibrado de enfermedades de hojas de papa lograron una sensibilidad del 91.68% y una puntuación F1 del 92.62%, superando al mejor experto individual en un 5.91% y 5.03% respectivamente.
- Las evaluaciones adicionales en conjuntos de datos de hojas de durián y sésamo arrojaron puntuaciones F1 de 94.03% y 97.04%, demostrando una generalización cruzada robusta entre conjuntos de datos.
El marco propuesto demuestra potencial para el monitoreo confiable de la salud de los cultivos en el mundo real al capturar eficazmente características diversas y mantener el rendimiento a través de diferentes conjuntos de datos.