摘要
番茄是全球主要的农作物之一，但其叶部疾病严重影响了产量和质量。准确高效的疾病识别技术对于确保农业生产安全具有重要意义。为了解决现有方法在特征提取能力、模型复杂性以及对大规模标记数据依赖性方面的局限性，以及难以识别视觉症状尚未完全显现的早期疾病问题，本文提出了一种轻量级且稳健的疾病识别模型SAEFormer。该模型整合了多尺度选择性融合注意力模块（Multi-scale Selective Fusion Attention Block），以增强对病变区域多尺度语义信息的建模能力。此外，通过利用基于密集相对定位的自监督损失作为辅助正则化项，显著提高了模型在有限训练数据下的泛化能力。为优化模型规范化并提高推理效率，进一步采用了RepBN规范化策略，在保持模型性能的同时显著降低了计算成本。在数据集A上的实验结果表明，SAEFormer仅使用2414万个参数和5.35 GFLOPs的计算资源，就实现了87.86%的Top-1准确率，展现了识别准确性与模型复杂性之间的良好平衡。训练曲线进一步表明模型在优化过程中表现出稳定的收敛性。消融实验验证了各模块的互补作用。此外，SAEFormer在数据集B的跨数据集评估中亦表现出了竞争力，表明其具有适应不同数据分布的潜力。总体而言，SAEFormer提供了一种高效的番茄叶部疾病识别方法，并显示出在精准农业应用中的潜力。
