基于多尺度注意力增强Res2Net50的番茄病虫害图像分类方法

Tomato Pest and Disease Image Classification Method Based on Multi-Scale Attention-Enhanced Res2Net50

摘要

针对番茄病害识别任务中存在的多尺度特征表达不足、细微病斑难以捕捉以及复杂背景干扰明显等问题，本文提出一种基于多尺度注意力机制的改进残差分辨率网络50层（Res2Net50）模型。该方法在Res2Net50的瓶颈二连块（Bottle2neck）模块中引入一种新颖的多尺度注意力机制（Multi-Scale Attention Mechanism，MSAM），通过尺度内通道注意力强化各尺度特征的语义表达能力，并利用跨尺度交互注意力建模尺度间的依赖关系，从而实现对病害多尺度特征的差异化加权与自适应融合。该机制在几乎不增加计算负担的前提下，显著提升模型对多尺度病斑特征的感知与区分能力。在公开的番茄叶片病害数据集上的试验结果表明，改进模型取得96.54%的识别准确率，优于原始Res2Net50（94.82%）、密集连接网络121层（DenseNet121，94.29%）、轻量移动网络V2（MobileNetV2，90.64%）及混洗网络V2（ShuffleNetV2，82.64%）等主流模型。消融试验进一步证实多尺度注意力模块的有效性，其引入使模型准确率相对提升1.72%。本文所提方法不仅显著提升番茄病害识别的精度与鲁棒性，也为复杂农业场景下的作物病害智能诊断提供可借鉴的技术选择。

Abstract

To address the issues of insufficient multi-scale feature representation，difficulty in capturing subtle disease spots，and significant interference from complex backgrounds in tomato disease recognition tasks，this paper proposes an improved Res2Net50 model based on a multi-scale attention mechanism．The method introduces a novel Multi-Scale Attention Mechanism（MSAM）into the Bottle2neck module of Res2Net50．It enhances the semantic representation capability of features at each scale through intra-scale channel attention and establishes dependencies between scales via cross-scale interactive attention，thereby achieving differentiated weighting and adaptive fusion of multi-scale disease features．This mechanism significantly improves the model's perception and discrimination ability for multi-scale disease features with minimal computational overhead．Experimental results on a public tomato leaf disease dataset show that the improved model achieves a recognition accuracy of 96.54%，outperforming mainstream models such as the original Res2Net50（94.82%），Dense connection network with 121 layers（DenseNet121 94.29%），Lighweight Mobile Network V2（MobileNetV2 90.64%），and Mixed-washing Network V2（ShuffleNetV2 82.64%）．Ablation experiments further verify the effectiveness of the multi-scale attention module，whose introduction improves the model accuracy by 1.72%．The proposed method not only significantly enhances the accuracy and robustness of tomato disease recognition，but also provides a referable technical option for intelligent crop disease diagnosis in complex agricultural scenarios．

关键词

番茄病害识别 / Res2Net50 / 多尺度注意力机制 / 特征融合 / 深度学习

Key words

tomato disease recognition / Res2Net50 / multi-scale attention mechanism / feature fusion / deep learning

参考文献

[1] 倪智涛， 胡伟健， 李宝山， 等 ． 一种基于图像分类与目标检测协同的番茄细粒度病害识别方法[J]． 江苏农业科学， 2023， 51（22）：221-228．

[2] NI Zhitao， HU Weijian， LI Baoshan ，et al． A tomato fine—grained disease recognition method based on the collaboration of image classification and object detection[J]． Jiangsu Agricultural Sciences， 2023， 51（22）：221-228．

[3] 孔祥源， 王一群， 缪祎晟， 等 ． 基于TomatoVit的番茄病害分类与分级研究[J]． 重庆理工大学学报（自然科学）， 2025， 39（9）：133-141．

[4] KONG Xiangyuan， WANG Yiqun， MIAO Yisheng ，et al． Research on tomato disease classification and grading based on TomatoVit[J]． Journal of Chongqing University of Technology（Natural Science）， 2025， 39（9）：133-141．

[5] 姜晟久， 钟国韵． 基于可分离扩张卷积和通道剪枝的番茄病害分类方法[J]． 江苏农业科学， 2024， 52（2）：182-189．

[6] JIANG Shengjiu， ZHONG Guoyun ． A tomato disease classification method based on separable dilated convolution and channel pruning[J]． Jiangsu Agricultural Sciences， 2024， 52（2）：182-189．

[7] 马丽， 周巧黎， 赵丽亚， 等 ． 基于深度学习的番茄叶片病害分类识别研究[J]． 中国农机化学报， 2023， 44（7）：187-193+206．

[8] MA Li， ZHOU Qiaoli， ZHAO Liya ，et al． Research on tomato leaf disease classification and recognition based on deep learning[J]． Journal of Chinese Agricultural Mechanization， 2023， 44（7）：187-193+206．

[9] 刘拥民， 刘翰林， 石婷婷， 等 ． 一种优化的Swin Transformer番茄叶片病害识别方法[J]． 中国农业大学学报， 2023， 28（4）：80-90．

[10] LIU Yongmin， LIU Hanlin， SHI Tingting ，et al． An optimized Swin Transformer method for tomato leaf disease recognition[J]． Journal of China Agricultural University， 2023， 28（4）：80-90．

[11] 汤文亮， 黄梓锋． 基于知识蒸馏的轻量级番茄叶部病害识别模型[J]． 江苏农业学报， 2021， 37（3）：570-578．

[12] TANG Wenliang， HUANG Zifeng ． A lightweight tomato leaf disease recognition model based on knowledge distillation[J]． Jiangsu Journal of Agricultural Sciences， 2021， 37（3）：570-578．

[13] Gao S H， Cheng M M， Zhao K ，et al． Res2Net：A new multi—scale backbone architecture[J]． IEEE Transactions on Pattern Analysis and Machine Intelligence， 2021， 43（2）：652-662．

[14] Ran H， Wen S， Wang S ，et al． Memristor—based edge computing of ShuffleNetV2 for image classification[J]． IEEE Transactions on Computer—Aided Design of Integrated Circuits and Systems， 2021， 40（8）：1 701—1 710．

[15] Sandler M， Howard A G， Zhu M ，et al． MobileNetV2：inverted residuals and linear bottlenecks[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition．Salt Lake City：IEEE， 2018：4 510—4 520．

[16] Huang G， Liu Z， Van D， Maaten L ，et al． Densely connected convolutional networks[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition．Honolulu：IEEE， 2017：2 261—2 269．

基金资助

基于计算机视觉的周口市重要场所安全防范系统优化研究(ZKSKDY-2025-685)