FourCropNet 的设计与实现：一种用于高效多作物病害检测与管理的 CNN 系统
计算机视觉与模式识别
2025-03-12 v1
摘要
植物病害检测是农业中的一项关键任务，直接影响作物产量、粮食安全和可持续农业实践。本研究提出了 FourCropNet，一种旨在检测多种作物（包括棉叶、葡萄、大豆和玉米）病害的新型深度学习模型。该模型利用了由残差块、用于增强对病害相关区域关注的注意力机制以及用于计算效率的轻量层组成的先进架构。这些组件共同使 FourCropNet 能够在从单作物数据集到包含 15 个类别的组合数据集等不同数据集和类别复杂度下实现卓越性能。所提出的模型在多样化数据集上进行了评估，展现出高准确率、特异性、敏感性和 F1 分数。值得注意的是，FourCropNet 对葡萄达到了 99.7% 的最高准确率，对玉米达到了 99.5%，对组合数据集达到了 95.3%。其可扩展性和跨数据集的泛化能力凸显了其鲁棒性。比较分析表明，FourCropNet 在各项指标上始终优于 MobileNet、VGG16 和 EfficientNet 等 SOTA 模型。FourCropNet 的创新设计和一致表现使其成为农业实时病害检测的可靠解决方案。该模型有潜力协助农民进行及时的病害诊断，减少经济损失并促进可持续农业实践。
引用
@article{arxiv.2503.08348,
title = {Design and Implementation of FourCropNet: A CNN-Based System for Efficient Multi-Crop Disease Detection and Management},
author = {H. P. Khandagale and Sangram Patil and V. S. Gavali and S. V. Chavan and P. P. Halkarnikar and Prateek A. Meshram},
journal= {arXiv preprint arXiv:2503.08348},
year = {2025}
}