《Frontiers in Plant Science》：Research on the BiSpikeNet classification model for tea plant pests and diseases
编辑推荐：
**背景：** 在智慧茶园中，以轻量、高效且资源友好的计算方式快速准确识别茶树病虫害，是一项关键挑战。尽管ResNet等深度学习模型能够提取强特征，但其高昂的计算成本限制了应用。相反，BiRealNet等轻量级模型虽降低了复杂度，却存在中间特征不清晰和判别
**背景：** 在智慧茶园中，以轻量、高效且资源友好的计算方式快速准确识别茶树病虫害，是一项关键挑战。尽管ResNet等深度学习模型能够提取强特征，但其高昂的计算成本限制了应用。相反，BiRealNet等轻量级模型虽降低了复杂度，却存在中间特征不清晰和判别能力弱的问题。
**方法：** 为解决上述局限，研究人员提出BiSpikeNet，一种集成卷积神经网络（Convolutional Neural Network，CNN）与脉冲神经网络（Spiking Neural Network，SNN）的轻量级高效分类模型，遵循“诊断式”设计范式。研究人员引入注意力机制以增强关键特征表示，并优化残差结构。此外，设计了一种跨模态融合框架，将二值化SNN元网络（BiSNN）与基于脉冲的残差块（SNNMultiShortcutBlock）相结合，以捕获时域和空间特征。
**结果：** 所提模型以更少的参数达到了92.30%的准确率。采用跨模态融合框架后，准确率提升至99.92%。与TLDDM和LiSA-MobileNetV2等现有轻量级模型相比，该方法以更低的计算成本展现了更优的性能。
**结论：** 实验结果表明，BiSpikeNet在准确性与效率之间实现了有效平衡，为轻量级、资源高效的茶树病虫害检测提供了一种稳健的解决方案。代码可在https://github.com/huyalin070-svg/BiSpikeNet获取。
**论文主体解读**
**一、研究背景与问题**
茶树是全球尤其是亚洲和中国许多地区重要的经济作物，既是居民饮品的主要原料，也是数亿人的收入来源。然而，茶灰斑病、茶褐斑病、茶赤斑病、茶叶斑病以及茶蚜、茶小绿叶蝉等病虫害严重威胁茶叶产量与品质，造成重大经济损失，阻碍茶产业链和农业可持续发展。传统茶叶检测方法包括人工目视检查和机械筛分，依赖人工设计特征，泛化能力有限，难以捕捉深层图像模式。近年来，深度学习特别是卷积神经网络（CNN）在作物病虫害识别中表现出显著优势，但仍面临实际部署中的多重挑战：症状重叠、光照变化和背景干扰导致识别偏差；高计算开销严重制约模型的轻量化和高效应用。为平衡精度与效率，轻量级二值神经网络成为优选方案，其中BiRealNet通过将权重约束为+1或-1大幅降低计算量，但其第二残差块特征捕获不准确，第三残差块中间特征提取不清晰，导致后续特征逐渐模糊；同时二值化过程偏向边缘纹理等局部信息，难以有效捕获细微病害特征及其时域变化。为此，研究人员提出新型二值脉冲网络模型BiSpikeNet，旨在保留轻量优势的同时增强对茶树整体结构和病害区域的感知能力，实现复杂环境下的精准稳健识别。
**二、研究内容与结论**
研究人员构建了湖南安化茶园的病虫害数据集，包含7类茶树状态共8099幅图像，通过分层随机划分建立标准化训练、验证和测试流程。核心在于提出“诊断式”模型设计范式，以特征图的可视化与定量分析作为模型结构优化的直接驱动力，通过分析各模块特征图的语义分布、响应强度和信息流路径，精准定位架构中的关键瓶颈和冗余区域，实现“观察-诊断-设计”闭环。在此基础上，研究人员在第二残差块引入注意力机制增强关键特征选择能力，减少第三残差块迭代次数优化特征传播路径，实现轻量结构与强特征提取能力的平衡。模型通过两项结构创新解决超低位量化下脉冲神经网络的挑战：设计BiSNN模块在元网络层面实现高效的脉冲到二值计算；提出SNNMultiShortcutBlock模块，通过多个时域捷径连接为脉冲信息跨时间传播提供稳定通路，缓解深层二值SNN训练中的梯度衰减和时域不稳定问题，并采用Adaptive-PLIF神经元和SpikeNorm增强动态适应性，PReLU激活放大时域非线性。实验表明，BiSpikeNet在茶树病虫害数据集上达到99.92%的准确率，仅需22.63 MFLOPs计算量和117.75 K参数，相较ResNet和BiRealNet参数分别减少50%和43.84%，在精度与效率间实现了优异平衡，为作物病虫害识别中超低功耗技术集成提供了全新思路。
**三、主要关键技术方法**
本研究所用数据来自中国湖南省安化地区多个茶园，共8099幅RGB图像（2670×1200像素），涵盖7类茶树叶片状态。数据划分采用分层随机抽样，10%为测试集，其余90%按80/20分为训练集和验证集，并在划分后再对训练集采用随机过采样和多种几何变换增强。核心方法包括：基于ECA通道注意力机制和残差块数量缩减的轻量化模块LB-BiRealNet；基于Adaptive-PLIF脉冲神经元和三角替代梯度的SNN二值化元网络BiSNN；由三条二值卷积分支构成、集成Adaptive-PLIF、SpikeNorm和注意力的脉冲残差块SNNMultiShortcutBlock；以及采用ResNet-18教师网络的知识蒸馏训练策略。评估指标包括准确率、精确率、召回率、F1分数、FLOPs和参数量。
**四、研究结果**
**4.1 BiSpikeNet分类结果：** 在测试集上，模型在所有类别上F1分数均超过0.99，其中茶树叶斑病类的精确率、召回率和F1分数均达0.9992，表现近乎完美；受损茶叶、茶蚊虫害和茶灰斑病F1分数接近0.99。茶赤斑病召回率相对较低（0.9655），可能源于类别间细微特征差异或代表性样本有限。
**4.2 与当代模型在不同数据集上的比较：** 在CIFAR-10数据集上，采用统一ResNet-20架构和1位权重/1位激活的严格设置下，BiSpikeNet达到93.20%测试准确率，比最强基线BiRealNet（87.9%）高出约5.3个百分点，且仅比全精度ResNet-18（约94.14%）低约0.94%，大幅降低内存和计算能耗。在七类茶树病虫害数据集上，BiSpikeNet以99.92%准确率显著优于所有对比模型，同时仅需22.63 MFLOPs和117.75 K参数，优于ResNet-18（92.34%，11191.24K参数，3634.71MFLOPs）、BiRealNet-18（91.02%，209.67K参数，24.76MFLOPs）以及YOLOv8-RCAA（98.14%，810.29K参数，27.23MFLOPs）等模型，并迅速在约80次迭代内收敛。
**4.3 消融实验的分类精度与计算效率：** 消融实验表明，轻量化结构LB-BiRealNet准确率为92.30±0.40%，比BiRealNet基线高1.28个百分点；加入BiSNN模块形成BiSNNNet，准确率提升至95.82±0.38%；引入SNNMultiShortcutBlock形成BiMultiNet，准确率为95.78±0.21%。完整BiSpikeNet（含注意力、BiSNN和多捷径残差块）在无知识蒸馏时达到99.13±0.24%准确率，加入知识蒸馏后达到99.92±0.15%准确率和99.59±0.11%精确率。训练曲线显示，BiSpikeNet的训练损失平滑、验证损失快速收敛且波动极小，优于BiRealNet中BiMLP的持续高损失和明显振荡，证明SNN脉冲动力学机制显著增强了收敛效率和训练稳定性。
**4.4 模型设计后脉冲残差块的可视化分析：** 采用梯度加权类激活图（Grad-CAM）对茶蚊虫害、茶灰斑病和受损茶叶三类代表性病害进行可视化。结果显示，BiRealNet对病斑区域的注意力分布较分散，无法稳定聚焦判别性区域；LB-BiRealNet定位病灶更为准确；BiSpikeNet不仅关注叶缘等浅层结构特征，还能整合全局上下文信息，在健康叶片区域保持高响应以构建完整对象表征，同时根据病理特征将判别性注意力指向病害区域，激活热图呈现更强的结构连贯性和逻辑一致性，实现“整体-局部”协同注意力机制，显著增强对复杂农业场景的适应性和决策可靠性。
**五、讨论与结论**
讨论部分指出，BiSNNNet和BiMultiNet分别存在结构特征聚合能力不足和无法充分利用时域脉冲动力学进行判别表征的互补性局限，单一组件均不足以构建完整BiSpikeNet框架，而完整集成后实现性能的全面提升。结论部分总结，BiSpikeNet的核心创新在于“诊断式”设计方法论，通过特征图可视化和定量分析指导架构设计，针对时域模式和空间细节捕获的关键瓶颈，原创设计了二值脉冲信息处理单元和多时域短路连接结构，实现脉冲神经网络仿生动力学、二值化极致效率与任务视觉需求三者间的深度协同，构建了同时具备高精度、低计算浪费、高效资源利用和稳健时域建模能力的统一架构。实验充分验证了该架构在复杂场景下的先进检测精度和参数、延迟等关键效率指标上的显著优势，实现了“高精度、低计算开销”的设计目标。未来工作将聚焦边缘计算和神经形态硬件上的实际部署，进一步验证模型在延迟、功耗和部署效率方面的实际优势；同时将探索极端非结构化环境适应性、大规模细粒度开放数据集构建、进一步模型压缩，以及融合多光谱/高光谱成像、近地表遥感、气象土壤数据和农学知识图谱的闭环智能农业系统，实现从病虫害识别向趋势预测和精准调控的跃升。
