轻量级多分支注意力网络LCAMNet：自然环境下苹果叶部病害分类的新突破

这篇研究提出了一种轻量级收敛注意力多分支网络（LCAMNet），通过整合深度可分离卷积（depthwise separable convolutions）和结构重参数化技术，在自然环境下实现了苹果叶部病害的高效分类。创新性地设计了双分支下采样模块（DBDM）避免特征丢失，引入多尺度特征提取模块（MFEM）增强病变特征多样性，并改进三重注意力机制提升深层特征建模能力。在自建数据集SCEBD和公开数据集FGVC8上分别达到92.60%和95.31%的准确率，仅需0.03 GFLOPs和1.30M参数量，为资源受限设备的农业应用提供了实用解决方案。

　　

1 引言

苹果作为全球广泛种植的经济作物，其叶部病害严重影响产量和品质。传统依赖专家目检的方法效率低下且主观性强，而基于手工特征的机器学习方法对复杂病变特征描述不足。深度学习虽在作物病害分类中表现优异，但现有模型存在两大瓶颈：实验室环境数据与实际田间条件差异大，以及高精度模型复杂度难以部署到边缘设备。

2 材料与方法

2.1 数据集构建

研究整合了四个数据源构建SCEBD数据集，包含交替叶斑病、褐斑病、白粉病等8类病害，涵盖不同生长阶段和光照条件的田间图像。通过旋转、高斯模糊、对比度调整等9种数据增强手段将训练集扩增10倍，并采用标准化处理（均值[0.485, 0.456, 0.406]，标准差[0.229, 0.224, 0.225]）提升模型稳定性。

3 模型架构创新

3.1 双分支下采样模块（DBDM）

突破传统单一下采样局限，并行使用池化分支（最大池化+平均池化）和卷积分支（3×3深度可分离卷积），通过通道混洗实现特征融合。实验表明该设计较基线模型ShuffleNetV2的SDSM模块提升2.3%准确率。

3.2 多尺度特征提取模块（MFEM）

采用四分支结构：特征保留分支直接传递原始特征；局部细节分支通过1×1卷积单元和3×3深度卷积提取边缘特征；深层特征分支串联两个3×3深度卷积捕获复杂病变；显著特征分支通过最大池化强化关键区域。四路特征经通道混洗后融合，较传统SFEM模块参数量减少15%。

3.3 改进三重注意力机制

将原7×7卷积拆分为两个3×3卷积层间插入ReLU激活，去除冗余的BN层。通过Z-Pool操作在H、W、C三个维度计算注意力权重，使模型更聚焦于病变区域。Grad-CAM可视化显示该机制使热图更精准覆盖病斑区域。

4 实验结果

在SCEBD数据集上，LCAMNet以92.60%准确率超越ResNet50（86.21%）和EfficientNetB0（89.33%），参数量仅为DenseNet121的1/50。在FGVC8公开数据集上达到95.31%准确率，较基线ShuffleNetV2提升3.71%。三维散点图显示模型在精度-计算量-参数量三维评估中处于帕累托前沿。

5 应用展望

当前模型对灰度斑病等形态相似病害仍存在6.2%的误判率。未来计划引入跨作物迁移学习框架，并开发适用于无人机的轻量化部署方案。该技术路线为田间复杂环境下的植物病害实时监测提供了新范式，推动智慧农业从实验室走向田间地头。