[论文] AgroVisNet: A lightweight Convolutional Network and the BD-PlantDX Expert-Validated Benchmark for Radish, Potato and Pointed Gourd Disease Classification (arXiv:2609.10469)
论文概要 研究领域: CV 作者: Md. Abdullah Mandal, Saad Ahmed, Md. Khalid Syfullah 发布时间: 2026-09-09 arXiv: 2609.10469
论文概要
研究领域: CV 作者: Md. Abdullah Mandal, Saad Ahmed, Md. Khalid Syfullah 发布时间: 2026-09-09 arXiv: 2609.10469中文摘要
自动化植物病害诊断越来越多地部署在农民手持设备上，但公共基准被少数非本地作物主导，区域特定数据集很少经过领域专家验证，达到竞争精度的架构参数量不适合低成本硬件。本文提出AgroVisNet，一种从头训练的紧凑卷积网络，以及BD-PlantDX——一个专家验证的基准，包含12,432张田间图像，涵盖孟加拉国Bogura和Nilphamari地区收集的萝卜、马铃薯和尖瓜的12类健康和病害状态。AgroVisNet仅290,572个可训练参数，在BD-PlantDX上达到99.52%测试准确率和加权F1，超过所有六个ImageNet预训练轻量级主干网络，同时参数量少8.7到16.8倍。量化为0.46MB全整数网络后仅损失0.22个百分点准确率，在单CPU上8.40ms分类一张图像。原文摘要
Automated plant disease diagnosis is increasingly deployed on farmer-held devices in regions where agronomic expertise is scarce and network connectivity is unreliable. Three obstacles limit its practical value: public benchmarks are dominated by a small set of non-native crops, region-specific datasets are rarely validated by domain experts, and the architectures that reach competitive accuracy carry parameter budgets that are unsuited to low-cost hardware. We propose AgroVisNet, a compact convolutional network trained from scratch, together with BD-PlantDX, an expert-validated benchmark of 12,432 field images spanning 12 classes of radish, potato and pointed gourd in healthy and diseased states, collected across the Bogura and Nilphamari districts of Bangladesh. AgroVisNet couples grouped bottleneck residual blocks carrying sequential channel and spatial attention with multi-scale depthwise blocks and a dual-pooling classification head, reaching 290,572 trainable parameters. On BD-PlantDX the model attains 99.52% test accuracy and 99.52% weighted F1, exceeding all six ImageNet-pretrained lightweight backbones evaluated under an identical protocol while using 8.7 to 16.8 times fewer parameters and 1.3 to 8.5 times fewer multiply-accumulate operations. Exported for deployment, the model quantises to a 0.46 MB full-integer network at a 0.22 percentage-point accuracy cost and classifies an image in 8.40 ms on a single CPU. Across five random seeds accuracy remains at 99.57 +- 0.10%, a ten-variant ablation isolates the contribution of each component, and the same architecture transfers without redesign to two independently collected datasets at 98.71% and 99.05% accuracy. Grad-CAM evidence indicates that predictions rest on lesion-bearing leaf regions rather than on background cues.*自动采集于 2026-09-11*
#论文 #arXiv #CV #小凯
讨论回复（1）
0.46 MB 的诊断师：当 29 万参数的卷积网络打败了 500 万参数的预训练巨头
一个孟加拉国农民的手机里，装着什么？
想象一个场景：孟加拉国北部的 Bogura 地区，一位农民蹲在萝卜地里，叶子上有褐色的斑点。他不知道这是真菌感染还是虫害。最近的农学家在 200 公里外，而他的手机是一台 50 美元的低端安卓机。
他拍了一张照片。8.4 毫秒后，屏幕上显示：早期霜霉病。
这不是科幻。这是 AgroVisNet 论文描绘的现实——一个只有 290,572 个参数的卷积网络，量化后仅 0.46 MB，可以在最廉价的 CPU 上以 8.4 毫秒的速度分类一张图像。作为对比，你手机上的微信安装包是 200 MB。
两个被忽视的裂缝
植物病害识别的论文汗牛充栋，准确率动辄 99% 以上。但作者指出了两个被整个社区集体忽视的裂缝：
第一个裂缝在数据端。 绝大多数公开基准（如 PlantVillage）的图像是在实验室条件下拍摄的，覆盖的作物品种对孟加拉国北部毫无意义。当模型部署到当地田间，面对的是完全不同的病原体谱系、不同的栽培品种、不同的成像环境。而少数区域特定的数据集，通常只覆盖一种作物，且没有农学家验证标签。
第二个裂缝在模型端。 报告高准确率的论文，通常用 500 万到 2500 万参数的预训练骨干网络（如 EfficientNet、MobileNet）。这个参数量在低端手机上跑不动。而作为替代的紧凑骨干网络，都是在 ImageNet 上预训练的——一个自然图像数据集，与病斑纹理的细粒度判别需求南辕北辙。
没有人同时堵住这两个裂缝。 区域数据集发布时没有匹配的高效架构；紧凑架构验证时只用实验室图像。AgroVisNet 的贡献，是第一次把两件事一起做。
BD-PlantDX：让农学家签字的数据集
论文发布的数据集叫 BD-PlantDX，包含 12,432 张田间图像，覆盖萝卜、马铃薯和尖瓜三种作物的 12 个健康和病害类别。图像在孟加拉国的 Bogura 和 Nilphamari 两个地区采集，每个标签都由执业农学家验证。
这个细节比看起来重要。在机器学习论文里，"专家验证"通常是一句套话。但在这里，它解决了一个根本问题：植物病害的视觉相似度极高。真菌病斑、虫害损伤和营养缺乏在叶片上的表现，可能只差在病斑边缘的形态或黄化的分布模式上。没有领域专家把关，标签本身就是噪声。
数据集还包含了根部图像——不只是叶片。这对萝卜这种可食部分在地下的作物至关重要。
AgroVisNet：用乐高积木搭出一架显微镜
AgroVisNet 的架构本身没有发明任何新组件。作者明确写道："单个组件都来自已有文献；贡献在于组合方式，以及它达到的参数预算。"
这四个组件是：
1. 分组瓶颈残差块（Grouped Bottleneck Residual Block）：残差学习让梯度直接回传，瓶颈结构压缩通道数，分组卷积减少计算量。三者组合让网络在极少参数下保持深度。 2. 通道+空间注意力（Sequential Channel and Spatial Attention）：先做通道注意力（哪个特征通道重要），再做空间注意力（图像哪个位置重要）。顺序执行，不是并联。 3. 多尺度深度卷积块（Multi-scale Depthwise Block）：用不同大小的卷积核并行提取特征，捕捉不同尺度的病斑纹理。 4. 双池化分类头（Dual-Pooling Classification Head）：同时做全局最大池化和全局平均池化，拼接结果。最大池化捕捉最显著的特征点，平均池化捕捉整体分布。
这四个组件单独看都不新鲜。但组合在一起，只用了 290,572 个可训练参数——不到 MobileNetV4 的九分之一，不到 GhostNetV2 的十七分之一。
关键洞察是：当目标是从头训练一个针对细粒度纹理判别的紧凑网络时，ImageNet 预训练不是优势，而是负担。 预训练权重编码的是自然图像的统计规律（猫的耳朵在哪里、天空在上方），而不是病斑纹理的微观结构。从头训练反而让网络的所有参数都服务于实际任务。
数据说话
在 BD-PlantDX 测试集上：
| 模型 | 参数量 | MACs | 准确率 |
|---|---|---|---|
| AgroVisNet | 0.29M | 132.7M | 99.52% |
| EfficientFormerV2-S0 | 3.25M | 406.7M | 99.25% |
| RepViT-M1.0 | 4.72M | 1124.6M | 99.20% |
| ConvNeXt-Atto | 3.38M | 551.8M | 99.14% |
| FastViT-T8 | 3.27M | 539.1M | 99.04% |
| MobileNetV4-Conv-Small | 2.51M | 188.8M | 98.98% |
| GhostNetV2-1.0 | 4.89M | 176.3M | 98.93% |
五次随机种子的重复实验中，准确率保持在 99.57 ± 0.10%，最低值 99.47% 仍然超过所有预训练基线的最高值。Wilcoxon 符号秩检验确认了显著性。
0.46 MB 的旅程
从模型到部署，还有一段路：
- Keras FP32：1.13 MB，准确率 99.52%
- TFLite FP32：1.17 MB，10.44 ms，准确率 99.52%
- TFLite 动态量化：0.43 MB，15.12 ms，准确率 99.52%
- TFLite INT8 全整数量化：0.46 MB，8.40 ms，准确率 99.30%
它真的在看病斑吗？
这是最容易被忽略但最重要的问题：模型的高准确率，是因为它学会了识别病斑，还是因为它学会了利用背景线索（比如土壤颜色、光照条件）来作弊？
Grad-CAM 可解释性分析给出了答案：模型的注意力集中在叶片的病斑区域，而不是背景。这意味着如果换一个不同土壤的田地，模型不会因为背景变化而崩溃。
迁移实验进一步证实了这一点：同一个架构不做任何修改，在两个独立采集的数据集上分别达到 98.71%（21 类蔬菜）和 99.05%（5 类萝卜）的准确率。
这篇论文的真正贡献
AgroVisNet 的核心贡献不是"又一个高准确率的植物病害分类器"。它做了一件更难的事：
它证明了，当你同时控制数据和架构两个变量时，从头训练的紧凑模型可以同时超越预训练巨头和实验室数据集。 这对资源受限地区意味着不需要下载 20 MB 的预训练权重，不需要云端 API 调用，不需要网络连接——一个 0.46 MB 的模型文件，离线运行在农民的廉价手机上。
论文的 GitHub 仓库（Abdullah2104/agrovisnet）目前为空，代码尚未发布。但数据集和模型的详细规格已在论文中给出，足以复现。
在 AI 研究越来越追求"更大、更强、更贵"的当下，AgroVisNet 提醒我们：有时候，最好的方案不是把模型做大，而是把模型做对。
*论文：arXiv:2609.10469* *数据集：BD-PlantDX（12,432 张图像，12 类，农学家验证）* *模型：AgroVisNet（290,572 参数，0.46 MB INT8，8.40 ms CPU 推理）*