基于轻量级双流学习框架的小麦病害精准检测方法研究

《Plant Methods》：LDSL framework: a lightweight dual-stream learning framework for wheat disease detection

本研究针对田间复杂背景下小麦病害识别准确率低、模型计算资源需求大等难题，提出了一种轻量级双流学习（LDSL）框架。该框架通过全局-局部双流架构结合动态-静态双重注意力（DSDA）机制，在仅需4.41M参数条件下实现了94.44%的准确率，为边缘设备部署提供了高效解决方案，对智慧农业发展具有重要意义。

　　

小麦作为全球最重要的粮食作物之一，其生产过程中常受到锈病、白粉病、黑穗病等多种病害的威胁，导致年产量损失高达15%-20%。传统人工检测方法效率低下且主观性强，难以满足大规模农业生产对实时精准监测的需求。虽然深度学习技术已在植物病害识别中取得显著进展，但田间采集的小麦病害图像存在背景复杂、病斑形态多样等挑战，同时边缘设备有限的计算资源对模型轻量化提出了更高要求。

针对这些难题，吉林农业科技大学冯磊团队在《Plant Methods》发表研究，提出了一种创新的轻量级双流学习（LDSL）框架。该框架模拟"先观全局，再察局部"的认知策略，通过全局学习流捕获整体语义信息，局部学习流进行细粒度病灶分析，并结合动态-静态双重注意力（DSDA）机制自适应聚焦关键区域。特别引入的KL散度扰动策略有效提升了模型在复杂环境下的鲁棒性。

关键技术方法主要包括：基于EfficientNet-B0的全局特征提取、类激活图（CAM）显著性区域定位、轻量级局部特征编码器设计、动态-静态双重注意力机制以及KL散度正则化训练策略。实验使用来自吉林农业科技大学"智慧农业"平台的小麦病害数据集，包含健康小麦、白粉病、黑穗病、叶锈病和纹枯病五类样本，按7:1:2比例划分训练集、验证集和测试集。

全局学习流设计

研究人员系统评估了ResNet-50、EfficientNet-B0、ShuffleNet-V2等主流模型，最终选择兼具效率与性能的EfficientNet-B0作为骨干网络。该网络通过复合缩放机制平衡深度、宽度和分辨率，在保持低计算成本的同时实现强语义特征提取。

关键区域提取

通过CAM模块生成显著性图谱，采用滑动窗口策略迭代提取前K个高响应区域（K=6），并构建掩码矩阵避免重复选择。算法通过归一化处理消除通道间激活强度差异，确保区域选择的稳定性。

局部学习流优化

设计基于残差块的轻量级局部特征编码器，通过三个残差块堆叠实现特征降维和语义增强。DSDA模块中静态注意力分支通过非线性通道调制增强特征，动态注意力分支通过迭代投票机制优化注意力分布，最终融合生成包含动态静态信息的局部特征表示。

模型性能验证

实验结果表明，LDSL框架在五类小麦病害分类任务中准确率达到94.44%，精确率94.47%，召回率94.44%，F1分数94.45%，显著优于ConvNeXt-T（92.66%）等对比模型。在NVIDIA Jetson Orin Nano边缘设备上仅需15.99MB存储空间，峰值内存39.49MB，推理延迟234.76ms/图像。

消融实验分析

逐步添加局部特征编码器、DSDA模块和KL扰动策略后，模型性能从基线91.87%提升至94.44%。参数敏感性实验显示预测融合因子γ_PFF=0.5、扰动惩罚因子λ_PPF=0.3时达到最优平衡。

可解释性验证

Grad-CAM++可视化显示LDSL框架能更精准聚焦病灶区域，t-SNE分析表明其学习到的特征具有更紧凑的类内分布和更清晰的类间分离。统计检验通过Friedman检验和Nemenyi事后检验证实性能提升的显著性（p<0.05）。

该研究提出的LDSL框架通过创新性的双流架构和注意力机制，在保持轻量化的同时显著提升了小麦病害识别性能。框架兼具高精度与低资源消耗特性，为田间实时病害监测提供了可行方案，对推动精准农业发展具有重要实践价值。未来研究可进一步验证框架在其他作物病害识别中的泛化能力。