基于分布感知特征增强与全局-局部语义融合的植物叶部病害识别模型DAF-EfficientNetV2

《Scientific Reports》：DAF-EfficientNetV2: distribution-aware feature enhancement for plant leaf disease recognition in complex environments

　　复杂自然生长环境中的植物叶部病害具有尺度差异显著和形态异质性强的特点，这对识别模型的特征表示能力和推理效率提出了严峻挑战。尽管现有的卷积神经网络在病害识别任务中已取得一定进展，但仍受限于固有的局部归纳偏置，导致其在建模长距离依赖以及弥合层级特征间的语义鸿沟方面能力有限。针对上述问题，本文提出了一种基于EfficientNetV2-S骨干网络的植物叶部病害识别模型，命名为DAF-EfficientNetV2（分布感知特征增强EfficientNetV2）。该模型在保持骨干网络参数效率和快速推理的前提下，引入了全局-局部语义融合模块（GMSF）。通过空间正交的全局建模策略，该模块能够在单个计算单元内高效捕获跨区域病害关联信息，并结合自适应语义校准机制，有效缓解不同层级特征间的语义不一致问题，从而显著增强了模型对尺度畸变和复杂病害形态的全局感知能力。此外，模型还集成了混洗注意力特征再校准机制，通过"分组-并行-重组"策略联合优化通道维度和空间维度的响应，在计算高效的前提下引导模型聚焦于具有诊断价值的病害区域，同时抑制复杂田间背景带来的冗余噪声。进一步地，本文采用了一种轻量级跨尺度聚合策略，实现了不同分辨率特征的高效融合与对齐。在Plant Pathology 2020-FGVC7和Plant Pathology 2021-FGVC8数据集上的实验结果表明，所提方法分别取得了95.43±0.51%（最优96.14%）和88.39%的分类准确率，优于现有主流方法，验证了DAF-EfficientNetV2在复杂植物病害识别任务中的有效性和鲁棒性。代码已公开于：https://github.com/mayue0606/DAF-EfficientNetV2