Automated Diagnosis of Tomato Leaf Diseases with Attention-Enhanced Feature Aggregation

如果及早检测出与植物叶片相关的病害，就可以利用农业技术提高番茄作物产量。本文提出了一种新的番茄病害分类模型，称为基于注意力融合的多尺度并行特征聚合网络（MPFAN-AF），可利用叶片图像对病害进行分类。该模型包含并行卷积分支，用于提取多尺度特征以获取丰富数据，并通过基于注意力的融合模块进行融合，该模块执行全局平均池化并对通道进行加权。该模型使网络能够优化与病害相关的模式，同时忽略病区背景噪声。通过dropout和L2权重衰减提高了泛化能力。精炼后的特征通过轻量级多层感知机进行分类。在基准番茄叶片病害数据集上评估时，MPFAN-AF在准确率、精确率、召回率和F1分数方面均优于传统卷积神经网络（CNN）和现有基于注意力的模型。总体而言，MPFAN-AF为精准农业中的自动化病害诊断提供了一种高效、准确且可解释的解决方案。