基于多尺度卷积空间注意力融合与SVM的轻量级作物叶片营养缺乏症识别模型

《IEEE Open Journal of the Computer Society》：MCSAF-Enhanced NSNet: A Compact Deep Learning Model for Efficient and Real-Time Plant Nutrient Deficiency Detection Enhancing Precision Farming

　　作物叶片营养缺乏症的识别对于精准农业至关重要，因为它能够实现及时干预并改进肥料管理。本研究提出了NutriSafe Net（NSNet），一个用于作物叶片营养缺乏症分类的紧凑轻量级深度学习框架。NSNet将多尺度卷积空间注意力融合（MCSAF）模块与支持向量机（SVM）分类器相结合，在保持较小计算开销的同时增强特征提取和分类性能。MCSAF模块采用多分支卷积（1×1、3×3和深度可分离5×5），并辅以卷积块注意力模块（CBAM），以捕获多个空间尺度上的互补特征。NSNet不使用传统的softmax层，而是采用SVM分类器来改善视觉上重叠的营养缺乏类别之间的类别分离。该模型在包含五个类别的营养缺乏数据集上通过五折交叉验证进行评估，达到了99.21%的准确率。NSNet优于知名的轻量级和基于Transformer的模型，如MobileNetV3（97.69%）、EfficientNet-B0（98.11%）、MobileViT-S（98.11%）、Swin Transformer（97.9%）和ViT（97.8%）。此外，NSNet的模型体积紧凑，仅拥有0.08百万参数和435 MFLOPs。为了评估其在边缘设备上的可行性，NSNet被部署在配备DKP工业摄像头的Raspberry Pi 5上，在实际工作距离下实现了6.7 FPS的实时推理和149 ms的延迟，同时准确识别营养缺乏症。这些结果表明，NSNet在准确率、效率和模型紧凑性之间提供了良好的平衡，使其成为资源受限的智慧农业应用中具有前景的框架。