Tiny-ViT：用于高效可解释土豆叶片病害分类的紧凑型视觉变换器
计算机视觉与模式识别
2026-03-31 v1 人工智能
摘要
早期精准识别植物疾病，尤其是土豆作物，对于确保作物健康及最大化产量至关重要。土豆叶病害，如早疱病和晚疱病，为农民带来重大挑战，常导致产量损失并增加农药用量。传统检测方法耗时且易受人为误差影响，亟需自动化高效方法。本文引入一种新方法——Tiny-ViT模型，这是一种面向资源受限系统开发的小型且高效的视觉变换器（ViT）。该模型在包含早疱病、晚疱病及健康叶片三类的数据集上进行测试，预处理包括调整大小、CLAHE与高斯模糊以提升图像质量。Tiny-ViT模型在测试准确率达99.85%，交叉验证平均准确率为99.82%，优于DEIT Small、Swin Tiny及MobileViT XS等基线模型。此外，模型的 Matthews相关系数（MCC）为0.9990，置信区间狭窄至[0.9980, 0.9995]，表明其高度可靠且具备良好泛化能力。训练与测试推理时间具备竞争力，计算开销低，因而适用于实时应用。此外，借助GRAD-CAM改进模型可解释性，标识疾病部位。总体而言，Tiny-ViT是解决植物病害分类问题的一种具备高鲁棒性、效率与可解释性的综合解决方案。
引用
@article{arxiv.2603.26761,
title = {Tiny-ViT: A Compact Vision Transformer for Efficient and Explainable Potato Leaf Disease Classification},
author = {Shakil Mia and Umme Habiba and Urmi Akter and SK Rezwana Quadir Raisa and Jeba Maliha and Md. Iqbal Hossain and Md. Shakhauat Hossan Sumon},
journal= {arXiv preprint arXiv:2603.26761},
year = {2026}
}
备注
Accepted and Presented Paper at the 2026 IEEE International Conference on Electrical, Computer and Telecommunication Engineering, Rajshahi, Bangladesh