基于双路径特征提取与自适应融合的叶片疾病自动分类方法

《Scientific Reports》：Dual-path feature extraction with transformer classifier for leaf disease classification

　　

摘要

叶片疾病对农业生产率构成重大威胁。基于人工智能的深度学习模型已被广泛应用于植物疾病分类。但是，它们存在多尺度特征提取不足和结构表示能力弱的局限性。在本工作中，提出了一种新颖的双路径特征提取方法用于自动叶片疾病分类。第一个特征提取器使用上下文特征编码器网络（CFE-Net）模块进行特征提取。它使用非对称卷积块和空洞卷积从叶片图像中提取多尺度上下文模式。第二个提取器 GSA-Net（梯度选择性注意力网络）通过使用拉普拉斯滤波和卷积运算突出边缘和纹理来提取低级结构特征。两个网络提取的特征通过跨通道自适应融合（CCAF）块进行融合，该块动态选择和加权相关特征。最后，基于Transformer的分类器用于将融合表示映射到类别概率。在PlantVillage上的实验评估表明，与之前提出的模型相比，该方法达到了96.9%的平均准确率。