《Information Processing in Agriculture》：SDM Net: a lightweight network for intelligent diagnosis of apple leaf diseases based on self-distillation learning
编辑推荐：
本研究针对复杂田间环境下苹果叶病害识别存在的模型计算复杂度高、小病灶特征提取不足及鲁棒性差等问题，提出了一种融合自蒸馏与CAA注意力机制的轻量化网络SDM-Net。通过通道剪枝降低计算参数，引入CAA注意力模块增强微小病灶检测能力，结合深度可分离卷积与自蒸馏策略构建自适应学习模块，最终实现93.49%的识别准确率，模型浮点运算量仅5.88M，为资源受限的农业应用场景提供了高效解决方案。
在智慧农业蓬勃发展的今天，苹果作为我国产量最高的水果，其叶片病害的早期诊断直接关系到果园的经济效益。然而传统依赖人工特征的识别方法效率低下，而现有深度学习模型又面临三大难题：计算复杂度高难以部署到移动设备、对小尺寸病灶特征捕捉能力不足、在复杂自然背景下鲁棒性较差。这些瓶颈严重制约了人工智能技术在精准农业中的实际应用。
为解决这一难题，河南科技大学研究团队在《Information Processing in Agriculture》发表了一项创新研究，提出了一种名为SDM-Net的轻量化网络。该研究通过三大技术创新实现了突破：首先对MobileNetV2进行参数调优，通过减少阶段重复次数和输出通道数降低模型复杂度；其次设计了一种新型CAA注意力机制，通过坐标轴平均池化操作捕获长程空间依赖关系，显著提升了对微小病灶的定位能力；最后基于深度可分离卷积特性构建了自蒸馏分支，实现了深层网络对浅层网络的"内部自蒸馏"指导。
关键技术方法包括：使用来自PlantPathology2021-FGVC8竞赛和实地拍摄的17,963张苹果叶病害图像数据集，采用随机旋转、翻转和亮度调整等在线数据增强技术；在MobileNetV2骨架网络中嵌入CAA注意力模块，并设计多尺度特征提取的自蒸馏分支；通过复合损失函数结合硬标签交叉熵损失、软标签KL散度损失和特征蒸馏损失进行端到端训练。
研究结果方面，通过系统的实验验证了各模块的有效性：参数调优使模型FLOPs降低34.62%的同时准确率提升0.21%；CAA注意力机制在多种注意力模块中表现最优，显著提升了模型对病灶区域的聚焦能力；自蒸馏策略的引入使模型准确率进一步提升至93.49%。在模型对比实验中，SDM-Net在Top-1准确率（93.49%）、精确率（89.08%）和F1分数（87.72%）等关键指标上均优于MobileNetV2、ShuffleNetV2等主流轻量化模型，同时保持了较低的计算复杂度（5.88M FLOPs）。
特别值得注意的是，在各类病害的识别性能上，SDM-Net对健康叶片、白粉病和黑星病的识别F1分数分别达到98.01%、96.60%和96.95%，在最具挑战性的"黑星病-蛙眼病复合感染"类别上也取得了55.50%的F1分数，显著优于传统模型。混淆矩阵分析显示，该模型能有效区分易混淆的病害类别，如复合病与黑星病-蛙眼病复合感染等。
研究结论表明，SDM-Net模型成功解决了苹果叶病害识别中的三个关键问题：通过参数优化实现了模型轻量化，满足移动设备部署需求；利用CAA注意力机制增强了对小病灶特征的捕捉能力；采用自蒸馏策略提升了在复杂背景下的鲁棒性。该研究为资源受限环境下的农作物病害智能诊断提供了技术范例，推动了农业图像处理技术与智能植保系统的深度融合。未来研究方向包括扩展病害类型、开展跨域泛化测试以及探索扩散模型等前沿技术的数据增强应用。
