GLC-Net：融合全局-局部动量对比学习与关键特征校准的田间植物病害识别方法

《Scientific Reports》：A global–local momentum contrastive framework with critical feature calibration for field plant disease identification in precision agriculture

　　

摘要

植物病害可能会严重影响作物产量和粮食供应稳定性，这使得准确识别病害对于有效的作物管理至关重要。尽管深度学习已被广泛应用于植物病害识别，但由于类内差异大、类间差异细微以及背景干扰，模型性能在复杂田间环境中可能会下降。为了解决这些挑战，我们提出了 GLC-Net，该模型融合了全局 - 局部动量对比学习与关键特征校准（CFC），用于田间植物病害识别。具体而言，引入了一种标签引导的动量对比学习机制，通过带标签队列动态构建多个正样本对，从而促进特征空间中的类内紧凑性和类间可分性。此外，设计了一种基于裁剪局部视图的全局 - 局部对比策略，以增强多尺度表示学习，使模型能够同时捕获全局上下文信息和细粒度病理细节。进一步而言，提出的 CFC 模块利用互补局部特征校准全局表示，使网络能够在复杂背景条件下保留更多与病害相关的信息。在水稻和大豆病害数据集上的实验表明，GLC-Net 在不同骨干网络上始终提高了识别性能，并与现有代表性方法相比表现优异。消融和可视化分析进一步验证了所提出组件对特征区分和病害区域表示的贡献。这些结果表明了 GLC-Net 在田间植物病害识别中的有效性，但为了确立其更广泛的泛化能力，仍需在更多作物种类和更多样化的田间条件下进行进一步评估。