2025年12月，公司教师张晓春在校定B级期刊《Applied Sciences》发表题为“PlantClassiNet: A Dual-Modal Fine-Tuning Framework for CNN-Based Plant Disease Classification”的论文。

该论文指出，尽管卷积神经网络在植物病害分类中表现出卓越的分类识别性能，但其落地应用仍受限于数据匮乏、算力需求及架构差异。虽然迁移学习能部分解决这些问题，但通用特征提取面临域偏移困扰，而盲目的微调又容易导致过拟合和训练成本激增。为此，论文构建了PlantClassiNet统一框架，并基于AlexNet、ResNet50、InceptionV3、MobileNetV3Small、DenseNet121及EfficientNetB0六种视觉预训练模型架构，在PlantVillage、PlantLeaves和Eggplant三个数据集上开展了系统性评测。该文提出了两种微调方法：一是自适应微调（AdapFitu），可自动优化解冻深度、学习率并重置特定层参数；二是固定参数基线，采用冻结骨干-训练分类器-解冻重训的流程。结果表明，大型模型在大规模PlantVillage数据集上的识别精度超 98.74%；与之相对的轻量化模型在小规模Eggplant数据集上表现突出，经微调后精度达到99.79%。

希望广大教师继续潜心研究，不断创新，多出成果。（撰稿：张晓春；一审：艾科妮；二审：周健；三审：戴道明）