LCDNet：一种用于高粱叶片病害实时分类的轻量级深度CNN架构

《Journal of Crop Health》：LCDNet: a Lightweight Deep CNN Architecture for Real-Time Sorghum Leaf Disease Classification

　　

摘要

准确及时地识别高粱（Sorghum bicolor L.）叶部病害对于减少作物损失和确保粮食安全至关重要。农业专家的人工巡查仍是主要的诊断方法，但该方法耗时、主观性强，且不适合对大面积种植区域进行持续监测。尽管深度学习在植物病害分类方面展现了可观的前景，但大多数现有模型是使用实验室捕获或精心策划的图像数据集开发的，这些数据集不足以代表实际农场环境中特有的视觉复杂性、环境变异性以及成像伪影。本文提出了LCDNet，一种专门用于在自然田间条件下进行高粱叶病实时分类的轻量级深度卷积神经网络架构。所提出的六层架构在保持强大特征提取能力的同时，最大限度地减少了计算开销。LCDNet 包含 171,459 个可训练参数，每张图像的平均 CPU 推理时间为 73.31 毫秒，相当于每秒 13.64 帧（FPS），证明了其在资源受限平台上进行快速病害分类的潜在适用性。一个包含 930 张高分辨率图像的数据集，涵盖炭疽病、细菌性条斑病和高粱健康叶片，直接从印度旁遮普邦的农田中获取，所有标签均经过专家验证。LCDNet 在未见的测试集上实现了 98.83% 的分类准确率，每类的精确率和召回率均超过 96%，宏平均 AUC-ROC 为 0.9999。这些结果表明，专为特定目的构建、计算高效的架构可以为用户田病害检测提供高分分类性能，解决了受控实验室研究与实际农业部署之间的关键差距。