基于DSA-Net轻量化深度学习模型的豌豆叶部病害精准识别与边缘部署研究

这篇研究创新性地提出了一种基于改进MobileNet-V3small的轻量化深度学习模型DSA-Net（Deformable-SelfAttention-Additive Network），通过融合可变形卷积（DCN）、自注意力（SA）和加性注意力（AA）机制，实现了豌豆叶部病害99.12%的高精度识别。模型参数仅1.48M，在边缘设备部署中展现出显著优势，为农业智能化诊断提供了高效解决方案。

　　

引言

豌豆作为高蛋白豆科作物，其叶部病害直接影响产量与品质。传统识别方法依赖人工经验，存在效率低、主观性强等问题。现有机器学习方法如支持向量机（SVM）虽能达到98.2%准确率，但特征提取能力有限。深度学习技术如MobileNet-V3系列虽具轻量化优势，但其固定卷积核难以适应病害区域的几何形变和复杂背景干扰。

方法创新

研究团队提出DSA-Net模型，核心改进包括：

1. 1.

   可变形卷积（DCN）：在MobileNet-V3的3、4、8层引入DCN，通过动态偏移学习增强对不规则病斑的建模能力。公式Δp_k=f_offset(x)实现采样点自适应调整。

2. 2.

   自注意力机制（SA）：在第6、10层嵌入SA模块，通过Q/K/V矩阵计算全局特征关联，解决远距离依赖问题。注意力权重计算采用Softmax(QK^T/√d_k)。

3. 3.

   加性注意力（AA）：在第7、9层加入AA模块，通过tanh(W_qQ+W_kK)动态分配通道权重，强化边缘模糊区域的响应。

实验结果

在包含7915张图像的豌豆叶部数据集（含褐斑病、潜叶蝇、白粉病、根腐病和健康叶片）上测试：

• •

  模型准确率达99.12%，较基线MobileNet-V3提升10.5%。

• •

  参数量仅1.48M，FLOPs低至2.65G，推理速度较MobileNet-V3提升1.52ms。

• •

  热图可视化显示，DCN+SA+AA组合能精准聚焦微小病斑（如白粉病霉菌层），边缘定位误差减少30%。

对比分析

与主流模型相比：

• •

  在PlantifyDr等公开数据集上，召回率（Recall）达99.9%，特异性（Specificity）99.8%。

• •

  参数量仅为EfficientNetV2的1/3，但准确率高出4.62%。

• •

  消融实验证实，单独使用AA模块较单独DCN或SA提升更显著（F1-score提高2.56%）。

应用前景

模型通过层级动态架构设计（DCN局部特征→SA全局关联→AA权重优化），实现了计算效率与识别精度的平衡。未来可通过知识蒸馏（Knowledge Distillation）进一步压缩模型，适配无人机等边缘设备，推动农业病害实时监测技术落地。

局限与展望

当前对白粉病等颜色相近病害的区分能力较弱（准确率96.23%），后续需引入多光谱数据增强特征表达。模型解释性也有待加强，可通过梯度加权类激活图（Grad-CAM）可视化决策路径。