DB-DAB-Net:一种用于玉米叶片病害识别的高效新型网络

摘要

玉米是全球重要的粮食作物，其生产过程易受各种病害的侵袭，在复杂背景下，由于现有的深度学习模型具有多尺度特征提取能力不足和上下文信息融合效率低等缺陷，易导致病害识别准确率低。为此，本文提出一种双分支特征提取结构与注意力机制融合的玉米叶片病害识别模型（DB-DAB-Net），首先构建深度可分离卷积（Depthwise Separable Conv）的双分支特征提取结构，提取复杂特征和空间细节，并降低计算量和参数量，利用动态融合门控机制自适应双分支，提升特征提取效率和模型鲁棒性。其次，在每个阶段后加入融合通道注意力和空间注意力的MCSA(Multi-scale Combination-Selective Attention)模块，并引入双向交互权重机制，实现对全局和局部信息的精细化捕捉，降低计算成本。最后，在平均池化层前加入BiFPN(Bidirectional Feature Pyramid Network，双向特征金字塔网络)模块，通过双向特征金字塔网络进行不同尺度的特征融合，使用可学习权重动态调整各尺度特征，并采用Swish激活函数保证梯度稳定性，进一步提升模型对多尺度目标的感知能力。实验结果表明，DB-DAB-Net在玉米病害数据集上具有良好的识别性能，识别查准率、召回率、F1分数、准确率分别达到了97.58%、97.47%、97.49%、97.47%，同时模型的参数量和浮点计算量分别为2.53 M和5.56 G。在复杂环境下，DB-DAB-Net模型能够有效提高玉米叶片病害识别的准确性，同时为农业病害监测提供了一种新的技术思路。

关键词

玉米叶片病害 / 双分支网络 / 多尺度特征融合 / 注意力机制 / 智慧农业