Multi-Scale Texture-Attention Network for Automated Arecanut Disease Classification Using Explainable Deep Learning
Sumalatha U · Krishna Prakasha · T. Shreekumar
提出MSTANet多尺度纹理注意力网络，实现槟榔九类病害自动分类。
多尺度卷积、深度可分离纹理分支、坐标注意力、特征融合与Grad-CAM，5628
独立测试准确率88.84%，健康果与Mahali Koleroga的F1最高，验证集达100%。
可探索轻量模型在田间复杂背景下的泛化与跨作物迁移，并结合多模态数据提升可解释性。
预印本提出轻量多尺度纹理注意力网络实现槟榔九类病害识别，方法新颖、数据规模可观，但尚未经同行评审，属细分领域技术进展。
槟榔种植受到多种病害和生理失调的影响，这些因素会降低作物健康水平和产量。从田间图像中进行自动化病害识别面临诸多挑战，原因包括症状视觉相似、光照变化、复杂背景以及病害特异性纹理模式。本文提出了一种多尺度纹理注意力网络（MSTANet），用于九类槟榔健康与病害的自动化分类。MSTANet 集成了多尺度卷积特征提取、基于深度可分离卷积的纹理感知分支、坐标注意力以及特征融合，以捕获互补的空间与纹理特征。所提模型包含 139.7 万个可训练参数，处理调整为 150 × 150 像素的图像。实验使用 5,628 张图像进行模型开发，并使用包含 1,757 张图像的独立测试集进行评估。模型取得了 100.00% 的验证准确率，验证损失为 0.0012。在独立测试集上，MSTANet 取得了 88.84% 的准确率、90.55% 的加权精确率、88.84% 的加权召回率和 88.97% 的加权 F1 分数。此外，它还取得了 86.97% 的平衡准确率、0.8669 的 MCC、0.8643 的 Cohen's kappa、0.9909 的加权 ROC-AUC 和 0.9558 的加权 PR-AUC。类别 F1 分数最高的是健康坚果（98.72%）和 Mahali Koleroga（95.48%）。采用 Grad-CAM 分析为模型预测提供定性可视化解释，并检查网络所使用的病害相关区域。基于文献与先前报道的解决同一九类槟榔分类问题的模型进行比较，进一步证明了 MSTANet 的竞争性性能。结果表明，MSTANet 提供了一种紧凑的、多尺度的、纹理感知的特征学习、坐标注意力、可解释人工智能（XAI）、Grad-CAM、卷积神经网络、精准农业。