LFMNet：一种轻量级模型，用于识别具有高相似性的玉米叶病

玉米叶病对产量和质量产生重大影响。然而，由于自然环境中复杂的背景和类之间病斑的高度相似性，从图像中识别这些疾病具有挑战性。本研究提出了一种轻量级多级注意力融合网络（LFMNet），可以在自然环境中识别具有高相似性的玉米叶病。LFMNet的主要组成部分是PMFFM和MAttion模块，相对于现有的基本模块有三项关键改进。首先，它通过不同扩展率的部分卷积的稠密连接改善了对玉米叶病规模变化的适应性，同时减少了参数。第二项改进是，它根据输入特征图的大小替换原始PPA上的可适应池化核，并调整卷积层以增强复杂背景下玉米叶片的特征提取。第三项改进是，它替换不同的池化核，以基于GMDC获取不同尺度的特征，并生成特征加权矩阵以增强重要区域特征。实验结果表明，LFMNet模型在测试数据集上的准确率达到94.12%，优于现有的重型网络，如ResNet50和Inception v3，以及轻量级网络如DenseNet 121、MobileNet(V3-large)和ShuffleNet V2。参数数量仅为0.88m，优于当前主流轻量级网络。它在识别叶子中病斑相似的疾病类型方面也有效。