针对农田边缘端诊断需求，研究提出 29 万参数轻量卷积网络 AgroVisNet 与农作物基准 BD-PlantDX

在农学专业知识匮乏且网络连接不可靠的地区，自动化植物病害诊断正越来越多地部署在农户持有的设备上。有三大障碍限制了其实用价值：公开基准数据集主要由少数非本土作物主导、特定区域的数据集鲜有领域专家验证，以及达到具有竞争力精度的模型架构所包含的参数量并不适合低成本硬件。我们提出了 AgroVisNet（一种从头开始训练的轻量化卷积网络），并构建了 BD-PlantDX 基准数据集。该数据集包含经专家验证的 12,432 张田间图像，涵盖孟加拉国博古拉县和尼尔帕马里县采集的萝卜、马铃薯和栝楼（pointed gourd）的健康与患病状态，共计 12 个类别。AgroVisNet 将带有顺序通道与空间注意力的分组瓶颈残差块与多尺度深度可分离卷积块以及双池化分类头相结合，可训练参数量仅为 290,572 个。在 BD-PlantDX 上，该模型的测试准确率达到 99.52%，加权 F1 达到 99.52%，超越了在相同评估方案下测试的所有六个 ImageNet 预训练轻量级骨干网络，同时参数量减少了 8.7 至 16.8 倍，乘加运算量减少了 1.3 至 8.5 倍。在导出部署时，该模型量化为 0.46 MB 的全整型网络，精度仅损失 0.22 个百分点，且在单核 CPU 上的单张图像分类时间仅为 8.40 毫秒。在五个随机种子测试中，准确率保持在 99.57 ± 0.10%；包含十个变体的消融实验厘清了各组件的贡献；且无需重新设计，同一架构即可迁移至两个独立采集的数据集上，分别取得 98.71% 和 99.05% 的准确率。Grad-CAM 可视化证据表明，模型的预测依据是带有病斑的叶片区域，而非背景线索。