SCA-MobiPlant：基于智能手机部署的多阶段注意力融合模型实现辣椒卷叶复合病的精准田间检测

《Plant Methods》：SCA-MobiPlant: smartphone-deployed multistage attention fusion model for accurate field detection of chili leaf curl complex

本研究针对辣椒卷叶复合病中辣椒卷叶病毒(ChiLCV)与螨害症状重叠导致的误诊难题，开发了SCA-MobiPlant模型。该模型通过集成多阶段挤压激励坐标注意力(SCA)机制，实现了对相似症状的精准区分，准确率达99.64%。模型已部署于智能手机并集成病害发生率(DI)计算模块，为田间快速诊断提供了有效工具，有助于减少农药滥用并提高防控精准性。

　　

在辣椒种植领域，叶片卷曲是一个令人头疼的复杂问题。它可能由辣椒卷叶病毒(ChiLCV)引起，也可能源于螨虫侵袭，但这两者的症状极为相似——叶片卷曲、变小、生长受阻，让种植者和技术人员难以准确区分。这种“诊断困惑”往往导致错误的应对策略：本该使用杀虫剂对付螨虫时，却误用了针对病毒的农药，反之亦然。不仅造成经济浪费，更带来环境污染和生态破坏的风险。传统的分子检测方法如PCR虽然准确，但耗时耗力，无法满足田间快速诊断的需求。正是在这一背景下，Samrat Paul等人开展了一项创新研究，旨在开发一种能够准确区分辣椒卷叶复合病的智能诊断工具。

研究人员提出了一种名为SCA-MobiPlant的改进模型，基于轻量级卷积神经网络MobileNetV3-Small，创新性地融入了多阶段挤压激励坐标注意力(SCA)融合机制。该研究发表在《Plant Methods》期刊上，为解决辣椒卷叶复合病的田间快速诊断提供了新的技术方案。

研究采用的关键技术方法主要包括：通过温室控制实验构建包含健康、病毒侵染和螨害的辣椒叶片图像数据集(共2275张原始图像，经数据增强至10939张)；集成多种注意力机制(SE、CA、CBAM、SCA)到MobileNetV3-Small架构中进行性能比较；采用K=5交叉验证评估模型性能；使用梯度加权类激活映射(Grad-CAM)提供模型决策的可视化解释；将最优模型转换为TensorFlow Lite格式并开发Android应用程序实现田间部署。

模型性能与不同注意力机制的比较

研究团队系统评估了五种注意力模块与MobileNetV3-Small的组合效果。结果显示，SCA和SE模块表现优异，准确率均超过97%，而CBAM和CA模块的准确率为95-96%。基准MobileNetV3-Small模型的准确率为94.16%，表明注意力机制的引入带来了显著提升。多阶段SCA融合策略展现出明显优势：单阶段SCA准确率为98.36%，早期+中期阶段SCA达到99.18%，而完整的多阶段融合实现了99.64%的准确率、99.61%的精确度、99.64%的召回率和99.62%的F1分数。

改进模型与替代模型的比较研究

SCA-MobiPlant与当前先进模型的比较显示其卓越性能。虽然EfficientNetB0达到了98.36%的准确率，但其模型参数高达536万，训练时间较长。ResNet50准确率为97.26%，但参数数量达2385万，计算开销大。SCA-MobiPlant以仅68.4万参数实现了99.64%的准确率，模型大小仅2.61MB，在性能和效率间取得了最佳平衡。

梯度加权类激活映射可视化验证

Grad-CAM可视化结果显示，SCA-MobiPlant模型能够准确聚焦于各类别的关键判别特征：健康叶片关注颜色和平滑纹理；螨害类重点关注叶柄伸长和向下卷曲；病毒类则聚焦于不规则叶片卷曲。这一发现与已知的病害诊断标准高度一致，验证了模型分类决策的合理性。

最终模型在所有类别上的性能评估

改进后的MobileNetV3-Small模型在所有病害分类类别上均表现出色。健康类别的准确率、精确度、召回率和F1分数分别为99.60%、99.30%、99.65%和99.47%；螨害类别各项指标均为99.48%；病毒类别达到99.70%准确率、99.95%精确度、99.70%召回率和99.82%F1分数。总体而言，改进架构的准确率比基准模型提高了5.48%。

边缘部署的推理速度

TensorFlow Lite格式在中等智能手机上实现了平均每张图像0.0112秒的推理速度(约89.04 FPS)，显著优于基础MobileNetV3-Small(0.105秒/图像)和修改后的Keras模型(0.0714秒/图像)。这使得最终病害发生率模块能够在15-25秒内处理一组田间图像，并计算出发病率结果。

研究结论表明，SCA-MobiPlant模型通过多阶段注意力融合机制成功解决了辣椒卷叶复合病的准确诊断难题。该模型不仅实现了极高的分类准确率，还保持了轻量化特性，适合在资源受限的农业环境中部署。智能手机应用程序的集成使农民和推广人员能够进行现场快速诊断和病害发生率评估，弥合了深度学习研究与田间应用之间的差距。

讨论部分强调，尽管模型表现出色，但仍存在数据集局限于单一地点(印度农业研究所，新德里)的局限性，可能无法完全代表不同光照、气候或复杂田间背景下的变化。未来的工作应扩展多地点数据收集，以增强在不同环境条件下的鲁棒性。与番茄卷叶病检测、玉米叶部病害等相关深度学习研究相比，SCA-MobiPlant以紧凑的模型大小实现了更优性能，特别适合资源受限的农业环境。

该研究的重要意义在于为辣椒卷叶复合病的精准评估提供了自动化病害诊断框架，直接解决了误诊挑战，有望减少不适当农药应用带来的环境危害，同时优化干预策略并减少作物损失。系统针对微计算机和物联网设备(如树莓派、香橙派、Jetson Nano)的优化，为商业保护地栽培中的机器人监测提供了可能。