Lightweight Hybrid CNN-Transformer Network for Robust Maize Leaf Disease Detection and Edge Deployment
Awwab Mohammad · Punith kumar · Bhavani K 等 10 人
构建轻量MobileNetV3-Small框架实现玉米叶片病害分类并评估边缘部署。
MobileNetV3-Small，PlantVillage-Maize与Fie
受控数据准确率97.8%，田间降至86.1%，揭示明显域差距。
可研究跨域自适应与田间鲁棒特征学习，缩小受控与真实场景性能差距。
该研究提出轻量级玉米叶病检测框架，并揭示受控数据集与田间数据之间的性能差距，方法扎实、结论有参考价值，但属细分技术论文，公共影响有限。
早期准确检测玉米叶片病害对于提高作物生产力和支持精准农业至关重要。然而，在受控叶片图像数据集上训练的深度学习模型，在真实农业条件下往往会出现性能下降，原因包括光照变化、背景杂乱、遮挡、叶片朝向以及成像噪声。为应对这些挑战，本研究开发了一个轻量级深度学习框架，用于稳健的玉米叶片病害分类和面向边缘的部署。该框架采用MobileNetV3-Small高效提取具有病害判别力的视觉特征，并研究轻量级特征学习策略，以提升在复杂田间条件下的分类性能。实验使用PlantVillage-Maize和Field-Maize数据集进行，共包含来自四个类别的6，188张图像：玉米大斑病（Maize Leaf Blight，MLB）、普通锈病（Common Rust）、健康（Healthy）和叶斑病（Leaf Spot）。仅使用图像的MobileNetV3-Small模型在受控的PlantVillage-Maize数据集上达到了97.8%的准确率和97.4%的F1分数，而在Field-Maize上的性能下降至86.1%的准确率和83.9%的F1分数，凸显了受控图像与真实田间图像之间的域差距。研究进一步在高斯噪声、光照变化和部分遮挡条件下评估了稳健性，并进行了计算效率和边缘部署分析。研究结果表明，轻量级且稳健的视觉特征学习对于真实农业成像条件下的实际玉米病害诊断具有重要意义。