A Hybrid CNN–Transformer–LSTM Deep Learning Framework for Automated Cotton Disease Detection

棉花生产常受叶片病害影响，这些病害会降低植株生产力、恶化作物品质，并给农民造成相当大的经济损失。因此，快速可靠的病害识别是精准农业和有效作物保护的重要需求。传统的基于图像的方法主要采用CNN架构进行视觉分类；然而，此类方法在学习长程空间依赖关系以及建模与病害随时间发展相关的变化方面能力有限。为克服这些局限，本研究提出了一种集成混合深度学习框架，将卷积神经网络（CNN）、基于Transformer的自注意力机制和长短期记忆（LSTM）网络相结合，用于智能棉花叶片病害识别。所提出的框架利用预训练的EfficientNet网络从棉花叶片图像中提取具有判别力的空间特征。提取到的表示随后通过多头自注意力Transformer模块进行处理，使网络能够识别叶片中相距较远且相关区域之间的关系。随后引入LSTM组件以学习序列依赖关系，并为分析病害演变和进展提供基础。为提高模型可靠性和泛化能力，网络使用组织良好的棉花叶片图像数据集进行训练，并结合图像增强、迁移学习和微调技术。实验评估表明，与传统的基于CNN的模型相比，所提出的CNN–Transformer–LSTM架构提供了更好的病害分类性能和更有效的特征学习。使用分类指标、混淆矩阵和ROC曲线进行的性能评估表明，该方法在所考虑的棉花病害类别之间具有较强的判别能力。局部视觉特征、全局上下文信息和序列依赖关系的联合学习为自动化棉花病害评估提供了一个全面的框架。所提出的方法可作为精准农业应用中可扩展的人工智能解决方案。其架构也为未来与基于物联网的作物监测系统、环境数据采集和病害进展预测的集成提供了机会，从而支持预警系统和智能