基于多模态增强协同多尺度模块的香蕉缺素智能检测方法

来源：江苏农业科学杂志2025年第第17期北京时间：

作者：王鸿;黄志鹏;陈小强;张慧;葛红

单位：1.吉安职业技术学院人工智能学院，江西吉安 343016； 2.华南师范大学计算机学院，广东广州 510631

摘要：针对香蕉缺素检测中叶片症状相似性高、样本稀缺及田间实时检测需求迫切等问题，提出一种融合多模态数据增强与多尺度特征处理的智能检测方法。首先，设计基于Stable Diffusion构建面向缺素特征的多模态生成框架，通过语义引导合成叶片病斑的纹理、形状及分布多样性数据，有效缓解样本稀缺与类别不均衡问题；其次，设计多尺度特征融合模块(MSConv)，采用不同卷积核组合提取图像多分辨率特征并实现跨尺度信息互补；再次，嵌入通道注意力机制强化关键通道响应，提升对缺素症状的差异化特征捕捉能力，同时设计基于焦点损失与交叉熵损失的混合损失函数(CE-Focal)，动态聚焦难样本，以优化样本不平衡场景下的模型训练；最后，对模型进行轻量化设计，部署于微信小程序，实现移动端便捷检测。结果表明，在包含8类缺素状态的香蕉叶片数据集上，改进模型MS-ConvNeXt-SD平均精确率达85.34%，较基准模型提升28.24百分点；消融试验验证多模态数据增强，使平均F1分数提升17.44百分点。综上，本研究为植物表型检测领域提供了新的思路，推动深度学习在智慧农业中的实际应用，未来可进一步探索构建通用模型实现跨作物泛化。

关键词：缺素诊断;香蕉叶片;多模态;多尺度特征融合;注意力机制;移动端部署