利用混合Morlet小波和交互式注意力神经网络进行实时作物叶部病害检测与分类，该网络通过红嘴蓝鸦算法进行了优化

《Agronomy Journal》：Real-time crop leaf disease detection and classification using a hybrid Morlet wavelet interactive attention neural network optimized by the Red-Billed Blue Magpie algorithm

本研究提出基于机器学习的Hybrid Morlet Wavelet Interactive Attention Neural Network（HMWIANN-RBBMO）框架，用于玉米、水稻和小麦叶部疾病的快速准确检测。通过改进的Sage-Husa自适应卡尔曼滤波预处理图像，结合DeepLabV3+分割病变区域，利用Sharpbelly Fish优化选择特征，并应用红尾蓝鹊优化算法提升网络性能，最终在公开数据集上达到99.70%准确率，优于现有方法。

　　

摘要

传统的疾病分类方法速度较慢且依赖于实验室检测。机器学习有助于更快地基于图像进行疾病检测，但面临诸如光照变化、复杂的叶片形状、背景噪声以及标注数据有限等挑战。本研究开发了一种鲁棒的基于图像的方法，能够在多种环境和成像条件下自动识别玉米、水稻和小麦的叶部疾病。本文提出了一种混合Morlet小波交互式注意力神经网络（HMWIANN-RBBMO），该网络通过红嘴蓝鹊优化器进行优化，用于准确分类玉米（Zea mays）、水稻（Oryza sativa）和小麦（Triticum aestivum）的叶部疾病。首先，使用改进的平方根SageHusa自适应卡尔曼滤波器进行图像预处理，以去除噪声并提高图像质量。接着利用DeepLabV3+算法精确分割出易感染疾病的区域，然后通过Sharpbelly Fish优化算法识别图像中最具有区分性的特征。HMWIANN结合了Morlet小波变换和交互式注意力机制，以充分发挥分类器的识别能力，能够区分健康叶片（无病原体）、普通锈病（Puccinia sorghi）、枯萎病（Xanthomonas oryzae）、灰叶斑病（Cercospora zeae-maydis）、褐斑病（Bipolaris oryzae）、Hispa病（Dicladispa armigera）、叶枯病（Magnaporthe oryzae>）、条锈病（Puccinia striiformis）和Septoria病（Zymoseptoria tritici）。此外，RBBMO优化器还提升了模型的收敛速度、泛化能力和分类准确性。研究还整合了一个基于图的混合推荐系统，以辅助疾病管理决策。在玉米、水稻和小麦叶部疾病数据集上的实验评估表明，该方法的准确率达到了99.70%，精确率为99.80%，召回率为99.50%，F1分数为99.40%，假阳性率仅为0.8%，性能优于现有的最先进方法。

通俗语言总结

本研究提出了一种基于机器学习的框架——混合Morlet小波交互式注意力神经网络（HMWIANN-RBBMO），该网络通过红嘴蓝鹊优化器进行优化，能够在实际田间条件下快速准确地从图像中检测玉米、水稻和小麦的叶部疾病。该方法首先使用改进的Sage-Husa自适应卡尔曼滤波器提升图像质量，随后利用DeepLabV3+分割出患病区域，并通过Sharpbelly Fish优化算法选择具有区分性的特征，最后通过HMWIANN进行疾病分类。红嘴蓝鹊优化器还优化了网络参数，以提高分类的准确性、收敛速度和泛化能力。系统还包括一个混合推荐模块，以辅助疾病管理决策。该模型在包含健康叶片、普通锈病、枯萎病、灰叶斑病、褐斑病、Hispa病、叶枯病、条锈病和Septoria病等类别的公开数据集上进行了评估，训练集与测试集的比例为80:20。实验结果证明了该模型的优异性能。

数据可用性声明

本文相关的数据集可在此处获取：https://www.kaggle.com/datasets/unknown6874/corn-leaf-disease-dataset、https://www.kaggle.com/datasets/shayanriyaz/riceleafs 和 https://www.kaggle.com/datasets/olyadgetch/wheat-leaf-dataset。