基于频域和频道混合的轻量级作物疾病识别网络,注意力和交叉规模的语义融合
Tiancan Jian1, Haixia Qi1,2, Riyao Chen1,3
1College of Engineering, South China Agricultural University, Guangzhou, China.
Pest management science
|September 24, 2025
概括
一个新的轻量级框架,FCDRNet,使用先进的注意力和压缩技术准确地识别作物疾病. 这使得智能农业应用程序的资源有限设备能够进行高效的实时监控.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 准确的作物疾病鉴定对于农业生产率至关重要.
- 挑战包括复杂的现场条件和有限的设备资源.
- 实际的现场部署需要一个轻量级和准确的框架.
研究的目的:
- 开发FCDRNet,这是一个轻量级的框架,用于准确识别作物疾病.
- 整合功能增强和压缩以实现高效部署.
- 解决农业中资源有限的设备的局限性.
主要方法:
- 引入了一个频道混合注意 (FCMA) 模块,用于捕获本地和全球特征.
- 实现了一个跨尺度语义融合 (CSF) 模块,用于自适应的多尺度损伤识别.
- 使用DepGraph-RKD压缩策略来减少模型大小和计算负载.
主要成果:
- FCDRNet实现了高精度:96.60%的PLDD和99.67%的PD数据集.
- 模型压缩使参数降低了70.6%,FLOP降低了56.98%.
- 在嵌入式设备上以14.84ms的速度实现实时推断,精度损失最小 (≤0.14%).
结论:
- 通过结合注意力,语义融合和压缩,FCDRNet为智能农业提供了一个可扩展的解决方案.
- 在准确性 (高达99.67%) 和效率方面实现了平衡的性能.
- 为边缘设备提供实用,现场部署的作物疾病监测系统.
