AIET (Scilight Press)·8月28日 · 周五论文农业人工智能与决策模型阅读 1
MOIR-Net: A Lightweight Crop Disease and Pest Recognition Network Based on Multi-Scale Reparameterization and Energy Attention
论文解读
69接近精选线
速览
提出轻量级作物病虫害识别网络MOIR-Net，结合多尺度重参数化与能量注意力，实现高效精准识别。
方法
多尺度Omnikernel倒残差模块、结构重参数化、无参数SimAM注意力，在I
发现
MOIR-Net仅0.967M参数、2.30ms延迟，IP102上Top-1达64.18%，精度效率
机会点
可探索将MOIR-Net部署于真实边缘设备，或结合知识蒸馏与联邦学习，提升田间多场景泛化能力。
影响力15
信息增量20
专业深度18
信源权威10
时效性6
轻量级病虫害识别网络在精度与效率间取得良好平衡，对边缘设备部署有参考价值。
原文摘要
针对边缘设备资源约束下复杂田间场景对作物病虫害识别的挑战，研究提出 MOIR-Net——多尺度 Omnikernel 倒残差（MOIR）与无参数 SimAM 注意力机制结合的轻量框架。MOIR 模块采用结构重参数化策略，将多分支训练拓扑在推理时转换为单路径架构，从而以零推理时内存开销实现无损特征聚合。在 IP102、PlantVillage 和 PlantDoc 数据集上的广泛评估表明，MOIR-Net 实现精度与效率平衡且计算成本极小（仅 0.967M 参数、2.30 ms 延迟）；在 IP102 基准上达到 Top-1 64.18% 准确率、mAP 58.32%。
信源（1 个）