A global–local momentum contrastive framework with critical feature calibration for field plant disease identification in precision agriculture

植物病害会显著影响作物生产和粮食供应稳定性，因此准确的病害识别对于有效的作物管理十分重要。尽管深度学习已被广泛应用于植物病害识别，但在复杂的田间环境中，由于类内差异大、类间差异细微以及背景干扰等因素，模型性能可能会下降。为解决这些挑战，我们提出了GLC-Net，它将全局-局部动量对比学习与关键特征校准（CFC）相结合，用于田间植物病害识别。具体而言，引入了一种标签引导的动量对比学习机制，通过带标签队列动态构建多个正样本对，从而促进特征空间中的类内紧凑性和类间可分性。此外，设计了一种基于裁剪局部视图的全局-局部对比策略，以增强多尺度表征学习，使模型能够同时捕获全局上下文信息和细粒度病理细节。进一步地，所提出的CFC模块利用互补的局部特征校准全局表征，使网络能够在复杂背景条件下保留更多与病害相关的信息。在水稻和大豆病害数据集上的实验表明，GLC-Net在不同骨干网络上均能持续提升识别性能，并与代表性现有方法相比具有优势。消融实验和可视化分析进一步验证了所提出组件对特征判别和病害区域表征的贡献。这些结果证明了GLC-Net在田间植物病害识别中的有效性，但仍需在更多作物种类和更多样的田间条件下开展进一步评估，以确立其更广泛的泛化能力。