EPDNet：基于高效定位与物理信息动态优化的番茄叶片病害识别方法

《Computers and Electronics in Agriculture》：EPDNet: A method for identifying tomato leaf diseases with uneven samples

本文针对开放环境下番茄叶片病害样本分布不均及类内差异大等挑战，提出了一种融合高效定位特征增强模块（EPFEM）、物理信息神经网络-交叉熵混合损失函数（PHLF）和动态自适应优化算法（DAOA）的单模态识别网络EPDNet。该模型在番茄叶片数据集上准确率达93.62%，F1分数达93.31%，显著优于现有方法，为深度学习在作物病害识别中的应用提供了有效解决方案。

　　

Highlight

本文的主要贡献体现在以下几个方面：

(1) 我们提出了一种高效定位特征增强模块（EPFEM）：为了解决现有注意力机制难以在复杂背景中精确定位小病灶区域的问题，我们创新性地设计了一种双向分解的空间注意力机制。该机制分别沿高度和宽度方向计算空间注意力权重，然后将它们相乘，显著增强了对关键局部特征的关注，同时有效抑制了无关背景区域的干扰。与传统的二维卷积注意力相比，我们的方法参数更少，并且实现了更精确的定位。

(2) 我们设计了一种物理信息神经网络与交叉熵（PINN-CE）混合损失函数（PHLF）：为了克服传统损失函数仅依赖数据驱动方法而缺乏物理约束的局限性，我们率先将物理信息神经网络（PINN）约束引入植物病害识别领域。通过将PINN损失与交叉熵（CE）损失以加权和的方式结合，这种混合损失函数不仅保证了分类准确性，还利用物理先验知识来约束特征图的平滑性和连续性，从而显著增强了模型在复杂开放环境中的鲁棒性和泛化能力。

(3) 我们提出了一种动态自适应优化算法（DAOA）：针对农业图像中类内差异大、类间差异小导致的收敛不稳定问题，我们创新性地将梯度动量调整与自适应学习率更新机制相结合。该算法根据训练过程中的梯度分布动态调整学习率，有效减少了类内特征差异，并确保即使在样本不平衡等干扰因素下也能稳定收敛到更优解。

(4) 实验与可视化验证：通过大量实验和可视化验证，进一步证明了每个模块的有效性。实验结果表明，本文提出的EPDNet在开放环境下的番茄叶片病害识别中表现优异，特别是在病害样本分布不平衡和相似病害差异大等方面具有非常好的识别效果，并且在性能上显著优于现有方法。这项研究为深度学习方法在作物病害中的应用提供了有效的解决方案。

Discussion

在番茄产业稳步发展的过程中，准确识别番茄叶片病害是稳定番茄产量、提高果实品质的核心要素。目前，大多数关于番茄叶片病害识别的研究依赖于实验室环境中采集的离体叶片图像，这些图像具有背景单一、光照可控和病斑特征显著的特点。然而，开放环境下的农田状况则复杂多变。

Conclusion

为了解决开放环境下番茄叶片病害识别的关键挑战——例如样本分布不平衡和显著的类内病害差异——本研究提出了一种新颖的单模态识别架构，命名为EPDNet。该网络集成了三个核心模块：高效定位特征增强模块（EPFEM）、物理信息神经网络-交叉熵混合损失函数（PHLF）和动态自适应优化算法（DAOA），它们共同作用以提升模型在复杂场景下的性能。