A Nightshade-SWIN Transformer-Based Framework for Enhanced Multi-Crop Plant Disease Classification
Dr. Barkha Joshi
提出Nightshade-SWIN框架，用Swin Transformer提升茄科多作物叶片病害分类
基于Swin Transformer的移位窗口自注意力，5000张田间多作物图像
分类准确率达94.6%，优于ResNet50和EfficientNet-B0，且模型关注病斑等生物相
可探索轻量化Transformer在移动端实时病害诊断及跨作物迁移学习，结合多模态数据提升田间泛化能力。
该论文提出基于Swin Transformer的茄科作物病害分类框架，在5000张多作物图像上达到94.6%准确率，方法新颖、数据规模可观，对智慧农业病害识别有参考价值，但属细分领域学术进展，公共影响有限。
茄科作物（Solanaceae）面临表型相似叶部病害的严重产量威胁，这些病害在感染早期难以区分。因此，准确及时地识别病害对于减少作物损失、改善病害管理以及支持可持续农业实践至关重要。尽管卷积神经网络（CNN）因其提取空间和局部特征的能力而在基于图像的植物病害分类中表现出色，但它们在捕捉叶片图像中的长距离依赖关系和全局上下文关联方面可能存在局限。当病害症状在纹理、颜色、形状和病斑分布上表现出细微差异，或图像在复杂田间背景下拍摄时，这些局限尤为突出。为应对这些挑战，我们提出了Nightshade-SWIN，一种基于Swin Transformer架构的优化深度学习框架。该框架利用分层移位窗口自注意力机制，有效捕捉微小的病斑纹理和全局叶片形态。通过逐步学习多尺度表征，Nightshade-SWIN能够在保持计算效率的同时识别具有判别力的病理特征。该模型在包含5,000张多作物图像的数据集上进行了评估，这些图像采集自多变田间条件，包括光照、背景复杂度、叶片朝向和病害严重程度的差异。实验结果表明，Nightshade-SWIN达到了94.6%的最高分类准确率，分别优于ResNet50和EfficientNet-B0达4.9%和3.4%。这些结果表明了基于Transformer的特征学习在区分视觉相似叶部病害方面的有效性。此外，使用LIME和Grad-CAM进行的可解释性分析证实，该模型主要关注生物学相关的病理区域，如病斑、变色、斑点及受感染叶片区域。这增强了所提框架的透明度和可靠性，并支持其在精准农业、自动化作物监测和早期病害诊断中的潜在应用。