编辑推荐：
为解决传统深度学习模型在植物病害分类中特征捕捉不足、计算成本高的问题，研究人员开展了名为 “Depthwise Separable Convolution with Spatial Attention（LWDSC-SA）” 的研究。结果显示，该模型在相关数据集上精度达 98.7%，性能优于多种模型。此研究为农业应用提供了有效方案12。
在农业领域，植物病害一直是威胁农作物产量和全球粮食安全的重要因素。传统的植物病害检测方法，像专家肉眼检查和实验室技术，不仅耗费人力、时间，还容易出错，并且很难做到早期精准检测。随着深度学习的发展，卷积神经网络（Convolutional Neural Networks，CNNs）被广泛应用于植物病害分类。然而，现有的深度学习模型在捕捉植物叶片复杂的纹理、形状和颜色特征方面存在不足，而且计算成本高，不适合在农场等资源有限的环境中使用。
为了解决这些问题，济州国立大学（Jeju National University）的研究人员开展了一项关于植物病害分类的研究。他们提出了一种新颖的轻量级深度学习模型 —— 深度可分离卷积与空间注意力模型（Lightweight Deep Learning model, Depthwise Separable Convolution with Spatial Attention，LWDSC-SA）。研究结果表明，该模型在包含 14 种植物、38 个类别和 55,000 张图像的 PlantVillage 数据集上，准确率达到了 98.7%，在精度、召回率等关键指标上均优于 MobileNet、MobileNetV2、AlexNet 和 VGGNet16 等模型。这一研究成果发表在《Plant Methods》上，为实际农业生产中的植物病害检测提供了新的解决方案，有助于提高农作物产量，保障全球粮食安全。
研究人员在此次研究中主要使用了以下关键技术方法：一是采用 PlantVillage 数据集，并对数据进行预处理和增强，通过随机水平和垂直翻转、中心裁剪、调整对比度、饱和度和亮度等操作扩充数据；二是构建基于深度可分离卷积神经网络的模型架构，将空间注意力机制融入 MobileNet；三是使用 K 折交叉验证（K=5）评估模型性能，确保结果可靠。
研究结果主要如下：
- 训练过程：将 PlantVillage 数据集按 90% 训练集、7% 验证集、3% 测试集的比例划分，利用已有 DSC-SA 模型结合迁移学习进行训练。训练时对图像进行归一化和调整大小，根据模型不同设置相应尺寸，采用不同优化器和学习率，使用早停法避免过拟合。
- 模型性能分析：LWDSC-SA 模型在准确率、精度、召回率、F1 分数和特异性等指标上表现出色。准确率达到 98.70%，相比 MobileNet 提高了 5.25%；精度为 98.30%，召回率为 99.10%，F1 分数为 98.70%，特异性达到 99.96%，且损失值仅为 0.013。
- 统计验证与鲁棒性评估：通过配对统计检验，证实了 LWDSC-SA 模型相较于基线模型性能提升的显著性。K 折交叉验证结果显示，模型在各指标上表现稳定，平均准确率达 98.58%，验证了其鲁棒性和泛化能力。
研究结论和讨论部分指出，传统模型在植物病害分类任务中存在局限性，而 LWDSC-SA 模型通过深度可分离卷积和空间注意力机制，优化了特征提取和模型效率。尽管该模型在大部分类别中表现优异，但在区分番茄晚疫病、早疫病和叶斑病等视觉相似疾病时存在一定误判。未来研究可通过改进空间注意力机制、增加数据多样性等方式进一步提升模型性能。总体而言，LWDSC-SA 模型在植物叶病分类上展现出强大的性能，其轻量级设计使其适合在资源受限的农业场景中部署，为精准农业发展提供了有力支持，对保障全球粮食安全和农业可持续发展具有重要意义。
