基于多尺度特征增强的农作物病虫害识别

来源：江苏农业科学杂志2025年第第9期北京时间：

作者：朱悦云;刘通;何振荣

单位：1.开封大学智能制造学院，河南开封 475000； 2.河南农业大学信息与管理科学学院，河南郑州 450003； 3.郑州大学信息工程学院，河南郑州 450001

摘要：农作物病虫害的有效识别与管理是农业生产中确保作物产量和质量的关键因素。然而，现有的作物病虫害识别方法未能充分挖掘植物叶片的全面信息，忽略了农作物叶片图像中病虫区域与健康区域的区分。针对这些问题，提出了一种基于多尺度特征增强的农作物病虫害识别方法，旨在实现病害区域与关键区域之间的解耦合。首先，构建了包含2条并行特征提取网络路径的特征提取网络，分别负责捕获农作物叶片图像不同尺度的视觉信息；然后，为进一步增强模型对关键区域(即病虫害区域)的关注，将输出特征输入设计的特征编码模块，计算图像中不同区域的注意力权重，并根据该权重更新叶片的特征表示，减少健康区域对模型的干扰，使模型更聚焦于植物叶片的病害区域，改善模型的学习能力；最后，融合注意力特征图与多尺度特征信息，得到包含丰富语义信息和关键区域信息的特征表示，并利用分类器对这些特征进行处理，以预测输入图像所包含的病虫害类型。在公开数据集和自建数据集上的试验结果表明，所提方法在精确率、F1分数、准确率和召回率4个指标上都具有更好的识别性能，在IP102数据集数上，准确率达到88.1%；在Plant Village数据集上，准确率达到99.52%；自建数据集上，对5种叶片(水稻稻瘟病、纹枯病、白叶枯病、细菌性条斑病、健康叶片)的识别准确率平均达到93.79%。这些结果验证了所提方法在植物病虫害识别任务中的有效性。

关键词：多尺度特征;注意力机制;农作物病虫害识别;Vision Transformer;深度学习