基于超分辨率与多路径多头注意力Transformer的马铃薯叶部病害精准检测新方法

为解决复杂环境下马铃薯叶部病害检测难题，研究人员创新性地提出一种结合超分辨率(ISR)与移位窗口多头自注意力(SW-MSA)的轻量级Transformer模型。该多路径多注意力框架融合多尺度通道注意力和像素注意力机制，在保持较低推理耗时前提下实现99.3%的检测准确率，为早疫病和晚疫病的实时精准诊断提供了可靠解决方案。

　　

植物病害对农业产量造成显著影响，及时准确检测马铃薯叶部病害对早期干预至关重要。现有深度学习模型因光照不均、遮挡物、复杂背景噪声及图像模糊等问题，难以捕捉病害的细微特征差异。为此，这项研究提出创新性的多路径多注意力轻量级Transformer架构，巧妙整合了移位窗口多头自注意力机制(SW-MSA)、多尺度通道注意力及像素注意力模块。更引入图像超分辨率(ISR)组件，通过提升原始测试图像质量进一步优化检测精度。实验数据表明，该方法以99.3%的准确率和更短推理时间显著优于现有技术。基于混淆矩阵和分类报告的评估证实，该系统在区分健康叶片与早疫病、晚疫病等病害类型方面展现出卓越性能，为实时病害监测提供了稳定可靠的解决方案，有助于早期干预并减少农业经济损失。