
-
生物通官微
陪你抓住生命科技
跳动的脉搏
DAPR-AM-Net:一种端到端的智能农业系统,通过双注意力渐进式优化与自适应MixUp技术,实现番茄叶病分类与预测的可视化解释
《Plant Methods》:DAPR-AM-Net: an end-to-end smart farming system powered by dual-attention progressive refinement and adaptive MixUp for explainable tomato leaf disease classification and forecasting
【字体: 大 中 小 】 时间:2026年06月29日 来源:Plant Methods 5.2
编辑推荐:
摘要基于视觉的作物病害诊断在智慧农业中起着关键作用,然而复杂的田间背景、病斑形态的高类内相似性以及严重的数据不平衡等问题依然制约着模型的稳定性和可解释性。为解决这些问题,本研究提出了DAPR-AM-Net,这是一种用于番茄叶病诊断的智能诊断框架,它结合了双注意力渐进式优化与自适应
基于视觉的作物病害诊断在智慧农业中起着关键作用,然而复杂的田间背景、病斑形态的高类内相似性以及严重的数据不平衡等问题依然制约着模型的稳定性和可解释性。为解决这些问题,本研究提出了DAPR-AM-Net,这是一种用于番茄叶病诊断的智能诊断框架,它结合了双注意力渐进式优化与自适应MixUp技术。该方法包含四项创新点:(1)双注意力融合机制(DAFM),该机制同时利用通道级和空间级注意力来增强与病斑相关的纹理、颜色和结构特征,同时通过CBAM模块抑制背景噪声,从而引导网络聚焦于病害区域;(2)带有注意力感知采样模块的自适应MixUp(AMAAS),该模块根据注意力图动态调整样本混合比例,有效提升复杂边界区域的区分能力;(3)双注意力渐进式特征优化模块(PFR-DA),该模块通过跨层级信息流逐步优化深度特征表示;(4)不平衡感知多目标优化策略(IAMOO),该策略根据类别分布动态调整损失权重,以提高对少数病害类型的识别能力。在我们构建的Tomato-DD数据集上,DAPR-AM-Net在各项核心指标上都取得了优异表现——准确率为99.73%,精确率为99.73%,召回率为99.74%,F1分数也为99.73%,性能优于现有的最先进方法。在完整的Plant-Village数据集上,该模型的准确率为99.85%,精确率为99.78%,召回率为99.84%,F1分数为99.81%,同时模型规模仅為472万参数。多层可解释性分析进一步证明了该模型推理过程的透明性与可靠性。此外,我们还基于DAPR-AM-Net开发了一个端到端的智慧农业平台。总体而言,DAPR-AM-Net为智慧农业场景中的高精度且高度可解释的病害诊断提供了具有前瞻性且实用的解决方案,展现了其在方法论上的创新以及在实际应用中的可行性。
基于视觉的作物病害诊断在智慧农业中起着关键作用,然而复杂的田间背景、病斑形态的高类内相似性以及严重的数据不平衡等问题依然制约着模型的稳定性和可解释性。为解决这些问题,本研究提出了DAPR-AM-Net,这是一种用于番茄叶病诊断的智能诊断框架,它结合了双注意力渐进式优化与自适应MixUp技术。该方法包含四项创新点:(1)双注意力融合机制(DAFM),该机制同时利用通道级和空间级注意力来增强与病斑相关的纹理、颜色和结构特征,同时通过CBAM模块抑制背景噪声,从而引导网络聚焦于病害区域;(2)带有注意力感知采样模块的自适应MixUp(AMAAS),该模块根据注意力图动态调整样本混合比例,有效提升复杂边界区域的区分能力;(3)双注意力渐进式特征优化模块(PFR-DA),该模块通过跨层级信息流逐步优化深度特征表示;(4)不平衡感知多目标优化策略(IAMOO),该策略根据类别分布动态调整损失权重,以提高对少数病害类型的识别能力。在我们构建的Tomato-DD数据集上,DAPR-AM-Net在各项核心指标上都取得了优异表现——准确率为99.73%,精确率为99.73%,召回率为99.74%,F1分数也为99.73%,性能优于现有的最先进方法。在完整的Plant-Village数据集上,该模型的准确率为99.85%,精确率为99.78%,召回率为99.84%,F1分数为99.81%,同时模型规模仅為472万参数。多层可解释性分析进一步证明了该模型推理过程的透明性与可靠性。此外,我们还基于DAPR-AM-Net开发了一个端到端的智慧农业平台。总体而言,DAPR-AM-Net为智慧农业场景中的高精度且高度可解释的病害诊断提供了具有前瞻性且实用的解决方案,展现了其在方法论上的创新以及在实际应用中的可行性。