Frontiers in Plant Science·9月3日 · 周四论文智慧农业 / 农业物联网阅读 7
MRC-Net: a reliable plant disease classification framework with multi-frequency state-space enhancement and conformal prediction
Shiyao Xie · X. H. Zhang · Yang Li
论文解读
70接近精选线
速览
提出可靠植物病害分类框架，结合多频状态空间增强与保形预测，提升复杂场景识别精度与可靠性。
方法
Swin-Tiny骨干，MF-SSFE多频特征增强，CARP保形预测模块，在NG
发现
在三个数据集上准确率分别达0.9891、0.3889、0.9800，AUC达0.9995、0.869
机会点
可探索将保形预测用于其他农业任务（如产量预测）以量化不确定性，或优化多频特征提取以应对更复杂田间场景。
影响力12
信息增量20
专业深度18
信源权威13
时效性7
提出结合多频状态空间与保形预测的植物病害分类框架，在多个数据集上表现优异，兼具可靠性与效率。
原文摘要
植物病害图像分类是智慧农业中病害监测与精准防控的关键任务。然而，复杂背景、细粒度病斑差异以及模型过度自信等问题仍制约着识别性能与实际应用的可靠性。针对上述问题，本文提出了一种融合多频选择性状态空间特征增强与一致性感知可靠预测的可靠植物病害识别框架。该方法以Swin-Tiny为骨干网络，利用MF-SSFE模块联合建模低频叶片结构、高频病斑纹理及跨区域状态空间上下文，从而增强复杂场景下与病害相关的证据信息。同时，引入CARP模块，将一致性预测的思想融入分类输出过程，使模型在提供类别预测的同时能够表达不确定性。实验结果表明，该方法在NGLD、PlantDoc和PlantVillage数据集上的准确率分别达到0.9891、0.3889和0.9800，AUC值分别达到0.9995、0.8690和0.9989，优于对比方法。消融实验和敏感性分析进一步验证了各模块的有效性与稳定性。模型复杂度分析表明，该方法在保持可接受计算开销的同时，实现了优越的识别性能。
信源（1 个）