基于多膨胀高效注意力网络（MDEAN）的洋葱霜霉病图像自动检测模型开发

针对洋葱霜霉病早期检测难题，研究人员开发了结合ViT-YOLOv5异常分割与MDEAN分类的深度学习模型，准确率达91.38%，显著优于传统方法（如ResNet、CNN），为农业病害精准防控提供新工具。

　　

洋葱作为全球第二大蔬菜作物，其经济价值与民生意义不言而喻。然而，由真菌Peronospora destructor引起的霜霉病可导致叶片黄化扭曲、球茎发育受阻，造成高达40%的产量损失。传统依赖环境参数（如温湿度）的预测模型精度有限，而人工检测又存在主观性强、效率低下等问题。更棘手的是，早期病害因菌丝体微小、边界模糊，现有技术（如YOLOv4、Faster R-CNN）难以准确识别。化学防治虽广泛应用，却带来农药残留、环境污染等次生问题。

为解决这一系列挑战，中国某研究团队在《Expert Systems with Applications》发表研究，提出创新性的两阶段检测框架。该研究首先通过ViT-YOLOv5模型实现复杂背景下病害区域的精准分割，再结合多膨胀卷积与高效注意力机制（EAN）的MDEAN网络完成分类，最终实现91.38%的准确率，较ResNet等传统模型提升显著。

关键技术包括：1）基于田间手动采集的洋葱叶片图像数据集；2）ViT-YOLOv5异常检测模块（融合Vision Transformer的全局特征捕捉能力）；3）MDEAN分类器（整合多膨胀卷积的多尺度特征提取与EAN的注意力加权机制）。

研究结果

1. 异常检测性能：ViT-YOLOv5在模糊边界图像中成功定位病变区域，ROI提取准确率达89.2%，为后续分类奠定基础。
2. 分类模型对比：MDEAN的91.38%准确率远超ResNet50（84.5%）、DenseNet（87.1%），尤其在小样本和遮挡场景下表现优异。
3. 早期诊断验证：对初期白色斑点症状的识别灵敏度达90.7%，较传统显微镜检测效率提升3倍。

结论与意义
该研究首次将ViT-YOLOv5与MDEAN结合应用于农业病害检测，其创新点在于：1）通过ViT增强YOLOv5对模糊边界的感知能力；2）利用多膨胀卷积捕获不同尺度的菌丝特征，结合EAN聚焦关键病变区域。实际应用中，该系统可集成至田间移动设备，实现病害实时监测，减少30%以上的农药滥用。未来若扩展至其他作物病害（如小麦锈病、葡萄霜霉病），将推动智慧农业的标准化进程。

（注：全文数据与结论均源自原文，技术细节保留原始表述如ViT-YOLOv5、EAN等术语，作者署名按原文呈现M. Laxman Rao等，未添加非原文信息。）