【人工智能】DAMSLNet：用于植物病害分类的双注意力多尺度轻量级网络

期刊：Engineering Applications of Artificial Intelligence；接收日期：2025年6月19日；作者团队主要来自天津理工大学。

https://www.sciencedirect.com/science/article/pii/S0952197625015921

研究动机

现有植物病害数据集多在受控环境下采集，导致模型在自然复杂背景中的泛化能力较差。

传统深度模型虽然精度高，但计算量大、参数多，难以部署到物联网或移动设备上。

因此，亟需一个轻量级、低计算复杂度且能在真实农业场景中准确识别病害的模型 。

核心方法

网络整体架构：提出 DAMSLNet（Dual-Attention Multi-Scale Lightweight Network），包括浅层特征提取、多尺度深层特征融合和双注意力模块三部分 。

浅层特征提取：前端使用深度可分离卷积（Depth-wise Separable Convolution, DSC）替代标准卷积，大幅降低参数量和计算量。

InceptRes 模块：在中端引入改进的 Inception + Residual 结构，通过并行不同大小卷积核采集多尺度信息，并用残差连接保持全局语义，再加 SE 注意力进一步提纯特征。

双注意力（DA）模块：末端并行叠加空间注意力（Position Attention）和通道注意力（Channel Attention），放大与病斑相关的显著特征，抑制无关背景信息，最后通过 GAP + Softmax 得到分类预测 。

使用的数据集

本文在四个公开数据集上进行训练与测试：

Xinong Apple：中国西北某苹果示范园真实采集，共8类苹果叶病（含Healthy） 。

PlantVillage：受控条件下54 303张、38类作物病叶图像。

FGVC8：Cornell University的多背景苹果叶病数据集，12类≈23 000张图。

Rice：印度奥里萨邦真实稻田采集，共4类稻叶病，5932张图 。

主要实验结果

DAMSLNet 在四个数据集上的分类准确率分别为：

• Xinong Apple：98.19%
• PlantVillage：99.96%
• FGVC8：97.08%
• Rice：99.99%

与原始 InceptionV4 相比，FLOPs 从9.0555G降至1.4718G（≈16%），参数量从48.42M降至15.57M（≈37.5%），训练单周期时间从325.10 s降至200.84 s 。

与其他算法的对比

在 PlantVillage、FGVC8 和 Rice 数据集上，DAMSLNet 的综合性能（准确率+FLOPs）均优于众多最新方法，如 CAST-Net、YOLO-leaf、RIC-Net 等；在 Xinong Apple 上仅次于 YOLOv5（98.9%），但类别更丰富（8类vs3类），且计算量更低 。

改进空间与未来工作

数据层面：当前实验依赖的数据集仍存在样本量及病严重度不均衡问题，未来应采集更多样本、更多疾病类型、更多拍摄角度与严重度级别以提高泛化。

模型层面：虽已大幅降低复杂度，但仍可通过知识蒸馏、网络剪枝或自动化架构搜索进一步压缩模型，并引入迁移学习以提升跨数据集的鲁棒性与收敛速度。

部署层面：拟在真实智能农业物联网终端中测试，并结合硬件加速方案（如NPU/FPGA）优化推理效率与能耗。