科研｜安徽省农科院经信所农业物联网团队病害图像识别研究取得新进展

摘要：近日，Agriculture-Basel（JCR1区，IF=3.6）在线发表了安徽省农科院经信所农业物联网团队成果“Dual-Attention Enhanced MobileViT Network: A Lightweight Model for Rice

近日，Agriculture-Basel（JCR1区，IF=3.6）在线发表了安徽省农科院经信所农业物联网团队成果“Dual-Attention Enhanced MobileViT Network: A Lightweight Model for Rice Disease Identification in Field-Captured Images”，该研究聚焦于田间复杂环境下水稻病害图像识别的精准性与深度学习模型“黑箱性”带来的可解释性挑战，提出基于双重注意力机制的轻量化MobileViT-DAP模型以实现田间复杂环境下水稻病害图像的精准识别，结合可视化技术开展模型的可解释性分析，揭示模型内部各模块工作机制。

由于田间复杂环境下对模型决策的干扰因素较多，模型对病害特征的捕获能力直接影响其应用潜力和可靠程度，本研究提出了一种兼具高效识别能力与可解释性分析能力的轻量化模型框架——MobileViT-DAP。该模型基于MobileViT架构，融合坐标注意力（CA）与高效通道注意力（ECA）机制，有效增强对病斑关键区域的关注能力，同时引入PoolFormer结构替代MeteFormer模块以提高运行效率。结果表明，该模型在测试集上的平均准确率、精确率、召回率和特异性分别为99.61%、99.64%、99.59%和99.92%，结合双重注意力机制的MobileViT-DAP模型对病斑特征有差异的病害分类性能有显著提高，而PoolFormer模块可以在保持模型分类性能的同时，有效降低模型复杂度。

深度学习模型通常被视为“黑箱”，难以理解其决策过程，这种缺乏透明度的特性限制了模型的可解释性，增加了信任问题。为了揭示深度学习模型内部的工作机制，本研究基于Grad-GAM、SHAP和t-SNE等可视化技术从多角度分析了模型的决策机制。结果表明，MobileViT-DAP模型更关注病斑本身的形态特征，拥有更强的病变特征捕获能力，与人工识别路径高度一致，减少了对背景噪声和无关区域的依赖，在节省计算资源的同时提升了模型的可信度。本研究在提升水稻病害智能识别准确率的同时，实现了模型可解释性与轻量化的有机结合，为深度学习在农业病害识别中的可靠应用提供了理论依据和实践路径，也为后续构建更加高效、透明、可推广的农业智能感知系统提供技术参考。

安徽省农科院经信所农业物联网研究团队张萌博士为本文第一作者，华南农业大学工程学院钟南教授为通信作者，研究得到国家重点研发计划（2021YFD20002）、广东省科技计划（2021B121204009）、国家自然科学基金（32072363）、中央地方科技发展专项（202407a12020010）、安徽省农业科学院科研项目（2025YL074）和安徽省农业科院农业科技成果转化项目（2025ZH032）资助。

张萌

第一作者

男，1991年4月生

博士研究生，助理研究员

现为安徽省农业科学院农业经济与信息研究所农业物联网研究团队成员，长期从事计算机视觉与智慧农业研究，主要研究方向为作物胁迫表型分析、农产品品质无损检测、农业信息感知机理与方法等。主持安徽省农业科学院科研项目2项，参与国家自然科学基金、安徽省重点研发计划等各类农业信息化项目10余项，在Computers and Electronics in Agriculture、International Journal of Agricultural and Biological Engineering、农业工程学报等刊物发表学术论文20余篇，获国家发明专利授权6项，软件著作权10余项。

团队介绍

农业物联网研究团队隶属于安徽省农业科学院农业经济与信息研究所。团队立足于前期完成的省级农业物联网示范工程成果，深度融合安徽省农业信息化与数字化发展战略，重点开展物联网实用技术的创新研究与推广应用。团队现有成员5人，其中副研1人、助研4人。团队围绕农业种养殖环境监测、智能控制、农产品全产业链监管等，研发农业种植数字化、养殖数字化管理平台等，开展各类技术攻关、系统集成、示范应用。近五年来，本团队主持及参与各类农业信息化项目10余项，获安徽省科技进步三等奖1项、安徽省农业科技推广奖三等奖1项，发表论文16篇，其中SCI论文5篇，获授权国家发明专利3项，取得计算机软件著作权10项，制订各类标准2项。

采编：姜姜

排版：小同