迈向实用的农业人工智能：用于落葵叶部病害检测的自监督注意力框架

落葵（Malabar spinach）是一种营养丰富的叶菜，在孟加拉国广泛种植和食用。其产量常常受到链格孢叶斑病（Alternaria leaf spot）和草螨侵害的威胁。本研究提出了一个高效且可解释的深度学习框架，用于落葵叶部病害的自动分类。研究收集了来自 Habiganj Agricultural University 的落葵图像，并结合公开样本构建了精选数据集，将其分为三类：链格孢病害、草螨侵害和健康叶片。轻量级的 SpinachCNN 建立了强大的基线，而通过压缩-激励（squeeze-and-excitation）模块增强的 Spinach-ResSENet 则改善了通道注意力机制和特征判别能力。进一步探究了定制的 Vision Transformer (SpinachViT) 和 SwinV2-Base，以评估基于 Transformer 的架构在有限数据条件下的优势。为了缓解标注稀缺问题，我们采用基于 SimSiam 的自监督预训练方法在无标注图像上进行预训练，随后结合交叉熵或结合交叉熵与有监督对比损失的混合目标进行有监督微调。表现最佳的领域优化模型 SimSiam-CBAM-ResNet-50 整合了卷积块注意力模块（CBAM），实现了 97.31% 的测试准确率、0.9983 的宏观 ROC-AUC 以及较低的校准误差，同时对高斯噪声和椒盐噪声保持了稳健性。尽管在 ImageNet-22k 上预训练的 SwinV2-Base 基准模型达到了略高的准确率（97.98%，采用测试时增强时为 98.99%），但其 86.9M 的参数量以及对大规模预训练的依赖降低了边缘部署的可行性。相比之下，SimSiam-CBAM 模型为实际农业应用提供了一种参数效率更高、更易于部署的解决方案。模型决策可通过 Grad-CAM、Grad-CAM++ 和 LayerCAM 进行解释，这些方法能够一致地突出显示具有生物学相关性的病变区域。本研究所使用的菠菜数据集已公开发布于：https://huggingface.co/datasets/saifullah03/malabar_spinach_leafdiseasedataset。