PEAS-DeiT: Multi-Scale Spatial Attention Enhanced DeiT for Pea Leaf Disease Classification
Fatma Ozge Ozkok
提出PEAS-DeiT模型，将多尺度空间注意力融入DeiT，实现豌豆叶片病害分类。
多尺度空间注意力增强DeiT，构建UPLDD数据集，五折交叉验证与XAI分析。
PEAS-DeiT达到93.11%准确率，优于对比的CNN和Transformer模型。
可探索轻量化Transformer在移动端病害识别中的部署，并扩展多作物跨域泛化能力。
提出多尺度空间注意力增强的DeiT模型用于豌豆叶病害分类，构建六类统一数据集并达93.11%准确率，方法有创新但属实验室验证阶段，产业影响有限。
豌豆病害的早期准确检测对于减少作物损失和支持精准农业至关重要。尽管深度学习方法在植物病害分类中表现出良好性能，但基于卷积神经网络（CNN）的模型在学习长程关系和病害细节特征方面可能存在局限。本研究提出了一种基于Transformer的可解释框架PEAS-DeiT，用于豌豆叶片病害的自动化分类。该方法将多尺度空间注意力机制集成到数据高效图像Transformer（DeiT）架构中，以增强病害相关视觉特征的表征能力。通过整合多个公开数据集，构建了统一的豌豆叶片病害数据集（UPLDD），涵盖六个类别，包括五类病害和健康样本。采用五折交叉验证，将所提模型与基于CNN和基于Transformer的架构进行了评估比较。此外，进行了可解释人工智能（XAI）分析，以探究对模型预测有贡献的区域。实验结果表明，PEAS-DeiT达到了93.11%的准确率，与所评估的基于CNN和基于Transformer的模型相比展现出有竞争力的性能。基于梯度的显著性分析还揭示了若干评估样本中的局部响应模式，为理解对模型预测有贡献的图像区域提供了定性见解。通过统计分析评估了所比较模型之间的性能差异。这些发现表明，在所评估的实验设置下，PEAS-DeiT为豌豆叶片病害分类提供了一种有竞争力的方法。