HAMNet：一种分层多尺度注意力网络，通过空间融合技术实现珍珠粟疾病的精准检测

《Scientific Reports》：HAMNet: Hierarchical Multi-scale Attention Network for precise disease detection in pearl millet using spatial fusion

　　

摘要

珍珠粟是干旱和半干旱地区的重要作物，但其产量受到真菌和细菌病害的显著影响。传统的病害检测方法，包括人工检查和传统的机器学习技术，往往由于主观性、耗时以及特征提取能力有限而效率低下。基于深度学习的分割模型，如U-Net、SegNet、DeepLabV3和FCN，已被用于自动化病害识别，但它们在准确定位病害区域、处理复杂的空间模式以及保持高分割精度方面存在局限性。为了解决这些问题，本研究提出了HAMNet-Mask R-CNN，这是一种结合了光谱-空间融合模块的AI驱动的分层多尺度注意力网络，用于精确检测珍珠粟病害。该框架通过利用分层多尺度特征学习来增强病害定位能力，其中低、中、高级特征共同提高了分类准确性。注意力机制优先处理关键病害区域，减少了误报；而Mask R-CNN实现了像素级分割，进一步细化了病害边界的识别。该模型使用Python和TensorFlow实现，并采用了高分辨率图像数据集进行测试。性能评估显示，HAMNet-Mask R-CNN的Dice得分为99.35%，IoU为98.80%，精确度为99.75%，召回率为99.78%，准确率为99.65%，优于U-Net（Dice得分为95.03%，IoU为90.53%）、SegNet（Dice得分为94.58%，IoU为89.73%）、DeepLabV3（Dice得分为98.31%，IoU为96.69%）和FCN（Dice得分为98.47%，IoU为97.00%）。结果证实了该模型在病害分割和分类方面的优越性，为智能农业中的实时病害监测提供了可靠且可扩展的解决方案。分层注意力和光谱-空间融合的结合显著提高了检测精度，确保了病害识别的可靠性，并有助于提高农业生产力。