基于深度可分离卷积与空间注意力的紧凑型深度学习模型用于植物病害分类研究

《Plant Methods》：A compact deep learning approach integrating depthwise convolutions and spatial attention for plant disease classification

为解决传统深度学习模型在植物病害分类中特征捕捉不足、计算成本高的问题，研究人员开展了名为 “Depthwise Separable Convolution with Spatial Attention（LWDSC-SA）” 的研究。结果显示，该模型在相关数据集上精度达 98.7%，性能优于多种模型。此研究为农业应用提供了有效方案12。

　　在农业领域，植物病害一直是威胁农作物产量和全球粮食安全的重要因素。传统的植物病害检测方法，像专家肉眼检查和实验室技术，不仅耗费人力、时间，还容易出错，并且很难做到早期精准检测。随着深度学习的发展，卷积神经网络（Convolutional Neural Networks，CNNs）被广泛应用于植物病害分类。然而，现有的深度学习模型在捕捉植物叶片复杂的纹理、形状和颜色特征方面存在不足，而且计算成本高，不适合在农场等资源有限的环境中使用。

为了解决这些问题，济州国立大学（Jeju National University）的研究人员开展了一项关于植物病害分类的研究。他们提出了一种新颖的轻量级深度学习模型 —— 深度可分离卷积与空间注意力模型（Lightweight Deep Learning model, Depthwise Separable Convolution with Spatial Attention，LWDSC-SA）。研究结果表明，该模型在包含 14 种植物、38 个类别和 55,000 张图像的 PlantVillage 数据集上，准确率达到了 98.7%，在精度、召回率等关键指标上均优于 MobileNet、MobileNetV2、AlexNet 和 VGGNet16 等模型。这一研究成果发表在《Plant Methods》上，为实际农业生产中的植物病害检测提供了新的解决方案，有助于提高农作物产量，保障全球粮食安全。

研究人员在此次研究中主要使用了以下关键技术方法：一是采用 PlantVillage 数据集，并对数据进行预处理和增强，通过随机水平和垂直翻转、中心裁剪、调整对比度、饱和度和亮度等操作扩充数据；二是构建基于深度可分离卷积神经网络的模型架构，将空间注意力机制融入 MobileNet；三是使用 K 折交叉验证（K=5）评估模型性能，确保结果可靠。

研究结果主要如下：

• 训练过程：将 PlantVillage 数据集按 90% 训练集、7% 验证集、3% 测试集的比例划分，利用已有 DSC-SA 模型结合迁移学习进行训练。训练时对图像进行归一化和调整大小，根据模型不同设置相应尺寸，采用不同优化器和学习率，使用早停法避免过拟合。
• 模型性能分析：LWDSC-SA 模型在准确率、精度、召回率、F1 分数和特异性等指标上表现出色。准确率达到 98.70%，相比 MobileNet 提高了 5.25%；精度为 98.30%，召回率为 99.10%，F1 分数为 98.70%，特异性达到 99.96%，且损失值仅为 0.013。
• 统计验证与鲁棒性评估：通过配对统计检验，证实了 LWDSC-SA 模型相较于基线模型性能提升的显著性。K 折交叉验证结果显示，模型在各指标上表现稳定，平均准确率达 98.58%，验证了其鲁棒性和泛化能力。

研究结论和讨论部分指出，传统模型在植物病害分类任务中存在局限性，而 LWDSC-SA 模型通过深度可分离卷积和空间注意力机制，优化了特征提取和模型效率。尽管该模型在大部分类别中表现优异，但在区分番茄晚疫病、早疫病和叶斑病等视觉相似疾病时存在一定误判。未来研究可通过改进空间注意力机制、增加数据多样性等方式进一步提升模型性能。总体而言，LWDSC-SA 模型在植物叶病分类上展现出强大的性能，其轻量级设计使其适合在资源受限的农业场景中部署，为精准农业发展提供了有力支持，对保障全球粮食安全和农业可持续发展具有重要意义。