TCLeaf-Net：一种结合全局-局部注意力的 Transformer-卷积框架，用于鲁棒的田间病斑级植物叶片病害检测
计算机视觉与模式识别
2025-12-16 v1
摘要
及时准确地检测叶片病害对于保障作物生长和减少产量损失至关重要。然而，在真实田间条件下，杂乱的背景、领域偏移以及有限的病斑级数据集阻碍了鲁棒建模。为了应对这些挑战，我们发布了 Daylily-Leaf，这是一个配对的病斑级数据集，包含在理想和田间条件下采集的 1,746 张 RGB 图像和 7,839 个病斑，并提出了 TCLeaf-Net，一种针对真实田间使用优化的 Transformer-卷积混合检测器。TCLeaf-Net 旨在解决三大主要挑战。为了减轻复杂背景的干扰，Transformer-卷积模块 (TCM) 将全局上下文与保持局部性的卷积相耦合，以抑制非叶片区域。为了减少下采样过程中的信息丢失，原始尺度特征召回与采样 (RSFRS) 模块结合了双线性重采样和卷积，以保留精细的空间细节。为了处理病斑尺度的变化和特征偏移，带有 FPN 的可变形对齐块 (DFPN) 采用了基于偏移的对齐和多感受野感知来增强多尺度融合。实验结果表明，在 Daylily-Leaf 数据集的田间划分上，TCLeaf-Net 的 mAP@50 比基线模型提高了 5.4 个百分点，达到 78.2%，同时计算量减少了 7.5 GFLOPs，GPU 内存使用量减少了 8.7%。此外，该模型在精确率和召回率上均优于近期的 YOLO 和 RT-DETR 系列，并在 PlantDoc、Tomato-Leaf 和 Rice-Leaf 数据集上表现出色，验证了其对其他植物病害检测场景的鲁棒性和泛化能力。
引用
@article{arxiv.2512.12357,
title = {TCLeaf-Net: a transformer-convolution framework with global-local attention for robust in-field lesion-level plant leaf disease detection},
author = {Zishen Song and Yongjian Zhu and Dong Wang and Hongzhan Liu and Lingyu Jiang and Yongxing Duan and Zehua Zhang and Sihan Li and Jiarui Li},
journal= {arXiv preprint arXiv:2512.12357},
year = {2025}
}