[1]焦利杰,陈芊羽,曹文清.基于多尺度Transformer的番茄叶片病害图像识别[J].江苏农业科学,2026,54(11):194-205.
　Jiao Lijie,et al.Recognition of tomato leaf disease images based on multiscale Transformer[J].Jiangsu Agricultural Sciences,2026,54(11):194-205.
点击复制

基于多尺度Transformer的番茄叶片病害图像识别()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第54卷
期数:
2026年第11期
页码:
194-205
栏目:
农业工程与信息技术
出版日期:
2026-06-05

文章信息/Info

Title:
Recognition of tomato leaf disease images based on multiscale Transformer
作者:
焦利杰1;  陈芊羽2;  曹文清3
1.河南质量工程职业学院信息工程学院，河南平顶山 467000； 2.郑州轻工业大学电气信息工程学院，河南郑州 450000； 3.郑州大学计算机与人工智能学院，河南郑州 450001
Author(s):
Jiao Lijie; et al
关键词:
病害识别; 多尺度特征; Transformer; 注意力机制; 番茄叶片
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
番茄叶片病害种类繁多、病斑尺度差异大，现有深度学习方法存在多尺度特征融合能力不足、对早期微小病斑敏感度低、复杂纹理背景下病害特征难以有效分离等问题，导致识别精确率受限。本研究提出一种基于多尺度Transformer的番茄叶片病害智能识别方法，旨在提升模型对不同尺度病斑的表征与判别能力。所提方法包含3个核心模块：首先，设计自适应特征提取模块，采用多分支卷积与特征门控机制，自动调节特征响应权重，有效分离病害区域与健康组织特征；其次，构建层次化多尺度特征融合网络，通过跨层特征交互机制将浅层细粒度空间信息与深层高级语义信息进行双向融合，增强对不同尺度病斑的表征能力；最后，引入空间-通道联合注意力机制与Transformer自适应采样策略，动态聚焦病害关键区域，提高分类精确率。在PlantVillage番茄病害数据集上的试验结果表明，所提方法识别准确率达97.8%，较基准算法提升5.2百分点，F1分数达97.5%，模型参数量为32.6 M，推理速度为 38.7帧/s。消融试验显示，自适应特征提取模块、多尺度融合网络、注意力机制分别贡献了约1.8、2.1、1.4百分点的精确率增益。
Abstract:
-

参考文献/References:

［1］王九玲，周会国，李文峰. 基于轻量化密集尺度网络的番茄叶片病害识别算法［J］. 江苏农业科学，2025，53(5)：156-164.
［2］封成智，刘强德，王志伟，等. 基于深度学习的番茄叶片病害可视化识别技术研究［J］. 江苏农业科学，2025，53(5)：174-183.
［3］谷瑞，宋翠玲，钱春花.融合沙漏结构与改进坐标注意力的轻量级番茄叶片病害识别模型［J］. 浙江农业学报，2025，37(1)：217-230.
［4］Shehu H A，Ackley A，Marvellous M，et al. Early detection of tomato leaf diseases using transformers and transfer learning［J］. European Journal of Agronomy，2025，168：127625.
［5］李显娜，吴强，张一丹，等. 自监督学习下小样本番茄叶片病害检测［J］. 中国农机化学报，2024，45(7)：172-179.
［6］王娜，陈勇，崔艳荣，等. 基于改进轻量化YOLO v5n的番茄叶片病害识别方法［J］. 江苏农业科学，2024，52(8)：192-199.
［7］刘佳明，张欣，陈孝玉龙，等. 基于改进MobileNetV2的番茄病害识别研究［J］. 南京农业大学学报，2025，48(3)：724-733.
［8］郑超杰，李少波，蒲睿强，等. 基于轻量化卷积神经网络的番茄叶片病害识别［J］. 江苏农业科学，2024，52(11)：225-231.
［9］Zou F D，Hua J，Zhu Y H，et al. ECVNet：a fusion network of efficient convolutional neural networks and visual transformers for tomato leaf disease identification［J］. Agronomy，2024，14(12)：2985.
［10］刘博，王斌成，陶旭，等. 基于图结构增强的番茄叶部病害识别方法［J］. 中国农机化学报，2025，46(5)：125-132.
［11］黄晓宇，张聪，陈晓玲. 融合多尺度特征的遮挡番茄病害图像识别研究［J］. 中国农机化学报，2024，45(7)：194-200.
［12］许悦，陈琳. 基于改进YOLO v8的番茄叶片病害检测算法［J］. 江苏农业科学，2024，52(17)：192-200.
［13］杨森，张鹏超，王磊，等. 集成改进YOLO v8n与通道剪枝的轻量化番茄叶片病虫害识别方法［J］. 农业工程学报，2025，41(2)：206-214.
［14］夏顺兴，倪铭，罗友璐，等. 基于改进YOLO v8n的草莓叶片病害检测方法［J］. 江苏农业学报，2025，41(4)：664-675.
［15］姜晟久，钟国韵. 基于可分离扩张卷积和通道剪枝的番茄病害分类方法［J］. 江苏农业科学，2024，52(2)：182-189.
［16］徐艳蕾，孔朔琳，陈清源，等. 基于Transformer的强泛化苹果叶片病害识别模型［J］. 农业工程学报，2022，38(16)：198-206.
［17］汪小丽，郭小燕. 基于改进的Swin Transformer苹果叶片病害识别方法研究［J］. 甘肃农业大学学报，2025，60(5)：309-318.
［18］潘赟， 陈松楠， 马俊. 基于多尺度特征融合Transformer的苹果叶片病害识别模型［J］. 江苏农业科学，2025，53(15)：212-219.
［19］刘拥民，刘翰林，石婷婷，等. 一种优化的Swin Transformer番茄叶片病害识别方法［J］. 中国农业大学学报，2023，28(4)：80-90.
［20］陈藜韦，古丽娜孜·艾力木江，伊力亚尔·加尔木哈买提.基于频域Swin Transformer的植物叶片病害识别研究［J］. 中国农机化学报，2025，46(10)：128-137.
［21］朱周华，周怡纳，侯智杰，等. 基于改进Vision Transformer的水稻叶片病害图像识别［J］. 电子测量技术，2025，48(10)：153-160.
［22］Chen Z，Wang G，Lv T，et al. Using a hybrid convolutional neural network with a transformer model for tomato leaf disease detection［J］. Agronomy，2024，14(4)：673-685.
［23］孙剑明，毕振宇，牛连丁. 基于特征融合Transformer的EfficientNet v2网络对马铃薯叶片病害的识别［J］. 江苏农业科学，2024，52(8)：166-176.

相似文献/References:

[1]徐凯宏,米雅婷,谷志新.基于GA-BP神经网络的温室番茄病害诊断[J].江苏农业科学,2016,44(04):387.
　Xu Kaihong,et al.Diagnosis of tomato disease in greenhouse based on GA-BP network[J].Jiangsu Agricultural Sciences,2016,44(11):387.
[2]张会敏,张云龙,张善文,等.基于区分矩阵的属性约简算法的作物病害识别方法[J].江苏农业科学,2015,43(01):387.
　Zhang Huimin,et al.A crop disease recognition method based on attribute reduction of discernibility matrix[J].Jiangsu Agricultural Sciences,2015,43(11):387.
[3]张云龙,袁浩,张晴晴,等.基于颜色特征和差直方图的苹果叶部病害识别方法[J].江苏农业科学,2017,45(14):171.
　Zhang Yunlong,et al.Apple leaf disease recognition based on color characteristics and differential histogram[J].Jiangsu Agricultural Sciences,2017,45(11):171.
[4]刁智华,刁春迎,魏玉泉,等.机器人系统中小麦病害识别与施药算法研究[J].江苏农业科学,2017,45(17):192.
　Diao Zhihua,et al.Study on wheat disease identification and spraying algorithm in robot system[J].Jiangsu Agricultural Sciences,2017,45(11):192.
[5]刁智华,袁万宾,刁春迎,等.病害特征在作物病害识别中的应用研究综述[J].江苏农业科学,2019,47(05):71.
　Diao Zhihua,et al.Application of disease characteristics in crop disease identification：a review[J].Jiangsu Agricultural Sciences,2019,47(11):71.
[6]林彬彬,邱新法,何永健,等.茶树病害智能诊断识别算法研究[J].江苏农业科学,2019,47(06):85.
　Lin Binbin,et al.Study on intelligent diagnosis and recognition algorithm for tea diseases[J].Jiangsu Agricultural Sciences,2019,47(11):85.
[7]何前,郭峰林,方皓正,等.基于改进LeNet-5模型的玉米病害识别[J].江苏农业科学,2022,50(20):35.
　He Qian,et al.Study on maize disease recognition based on improved LeNet-5 model[J].Jiangsu Agricultural Sciences,2022,50(11):35.
[8]孙长兰,林海峰.一种基于集成学习的苹果叶片病害检测方法[J].江苏农业科学,2022,50(20):41.
　Sun Changlan,et al.An apple tree leaf disease detection method based on ensemble learning[J].Jiangsu Agricultural Sciences,2022,50(11):41.
[9]王慧,李康顺,蔡铁,等.基于约束性多目标优化算法的柑橘黄龙病识别算法[J].江苏农业科学,2023,51(6):159.
　Wang Hui,et al.Citrus Huanglongbing recognition algorithm based on constrained multi-objective optimization algorithm[J].Jiangsu Agricultural Sciences,2023,51(11):159.
[10]余骥远,高尚兵,李洁,等.基于MS-PLNet和高光谱图像的绿豆叶斑病病级分类[J].江苏农业科学,2023,51(6):178.
　Yu Jiyuan,et al.Classification of mung bean leaf spot based on MS-PLNet and hyperspectral images[J].Jiangsu Agricultural Sciences,2023,51(11):178.
[11]温钊发,蒲智,程曦,等.基于轻量级MIE_Net的田间农作物病害识别[J].江苏农业科学,2023,51(10):176.
　Wen Zhaofa,et al.Field crop disease identification based on lightweight MIE_Net[J].Jiangsu Agricultural Sciences,2023,51(11):176.

备注/Memo

备注/Memo:
收稿日期：2025-12-09
基金项目：河南省科技攻关项目(编号：252102320167)；河南省校企协同创新项目(编号：26BXQXT068)。
作者简介：焦利杰(1984—)，男，河南许昌人，硕士，讲师，研究方向为计算机应用技术、图像识别。E-mail：18237580985@163.com。
更新日期/Last Update: 2026-06-05