Agritech Insights 2026-09-10·9月10日 · 周四论文农业人工智能与决策模型阅读 0
Bangladesh AI Model AgroVisNet Spots Crop Blight on Phones(轻量级 99.52% 准确率 0.46 MB 量化部署)
论文解读
78精选
速览
提出轻量网络AgroVisNet与BD-PlantDX数据集，实现手机端作物病害高精度识别。
方法
构建12432张12类田间图像基准，用分组瓶颈残差块与注意力机制训练。
发现
测试准确率99.52%，仅29万参数，量化后0.46MB，CPU单张8.4毫秒。
机会点
可探索跨作物跨区域泛化、田间复杂光照鲁棒性及边缘设备实时多病害检测。
影响力18
信息增量22
专业深度18
信源权威12
时效性8
孟加拉国团队提出轻量级CNN模型AgroVisNet并发布万张级田间病害基准数据集，99.52%准确率、0.46MB量化模型可在手机端8.4毫秒推理，对发展中国家小农户病害识别具有实质参考价值。
原文摘要
孟加拉国研究团队发表《AgroVisNet: A lightweight Convolutional Network and the BD-PlantDX Expert-Validated Benchmark for Radish, Potato and Pointed Gourd Disease Classification》。BD-PlantDX 基准数据集包含 12432 张高分辨率田间图像,涵盖 12 类(萝卜、马铃薯、尖瓜的健康与患病状态)。AgroVisNet 采用分组瓶颈残差块配以序列通道和空间注意力机制,在 BD-PlantDX 上达到 99.52% 测试准确率和相同加权 F1 分数。仅 290572 可训练参数,比所评估的 ImageNet 预训练轻量级骨干少 8.7-16.8 倍参数量。量化部署仅 0.46 MB,单 CPU 8.40 毫秒即可分类一张图像。