A smart agriculture-oriented cross-attention multiscale CNN for sugarcane disease diagnosis
Bala Subramanian Chokkalingam · Uvarani Meenrajan · Shanmugapriya Sankaran
提出交叉注意力多尺度并行CNN，实现甘蔗叶病自动分类。
并行卷积分支、交叉注意力、密集连接与Inception块，两个基准数据集验证。
模型准确率达98.79%，消融与五折交叉验证证明其有效稳定。
可探索田间复杂背景与轻量化部署，并扩展到多作物病害实时诊断。
该研究提出一种面向甘蔗叶部病害自动分类的交叉注意力多尺度CNN，在两个基准数据集上准确率达98.79%，方法新颖、实验充分，但属于细分作物应用研究，产业影响有限，时效性强，值得进入每日精选。
甘蔗叶片病害会对作物健康与产量造成不利影响，因此及时识别病害对智慧农业具有重要意义。人工检查叶片病害耗时且需要专业知识，尤其是在需要监测大面积种植区域时。为解决该问题，本研究提出一种用于甘蔗叶片病害自动分类的交叉注意力多尺度并行卷积神经网络（Cross-Attention Multiscale Parallel Convolutional Neural Network）。该框架由并行特征提取主干（Parallel Feature Extraction Stem）、交叉注意力机制、密集连接块（Dense Connection Blocks）和Inception块组成，用于学习不同空间尺度上的病害特征。PFES通过并行卷积分支提取细粒度与广域病害模式，而交叉注意力机制通过强调病害相关信息对提取的特征进行细化。DCB支持特征传播与复用，IB进一步捕获多尺度特征表示。所提出的模型在两个甘蔗植株叶片病害基准数据集上进行了测试。该框架取得了准确率（98.79%）、精确率（98.31%）、召回率（97.81%）、特异性（98.60%）和F1分数（98.05%）。为评估该框架的分类准确性和一致性，开展了对比研究、消融研究和五折交叉验证。结果表明，CA-MPCNN能够实现准确的甘蔗叶片病害分类，并可支持智慧农业应用中的自动化病害诊断。