来源：期刊VIP网 时间：
作者：谢聪;谢聪;王天顺;姬少培;
单位：广西警察学院;广西农业职业技术大学;河南工学院;中国电子科技集团公司第三十研究所;
摘要：近年来，由于气候变化、室外空气污染物的增加以及全球变暖，木薯叶片病害变得更加普遍，及时和准确地检测木薯叶部病害对于防止其蔓延和确保农业生产的可持续性至关重要。然而，现有的木薯叶病检测模型很容易受到环境背景噪声的影响，这使得其由于无法有效提取出木薯叶病图片的特征，而导致其识别检测精度较低。针对该问题，文中设计了一种卷积视觉Transformer的木薯叶病检测模型——CViT，并提出了一种最小注意力裁剪算法（LeIAP）来选择Transformer模型中每一层最重要的注意力头，以提高模型的性能。该模型在Transformer的基础上利用多头注意力模块来提取图像高级特征，利用软分割标记嵌入捕获局部信息，这不仅可以提高学习到的信息的丰富度，也有利于细粒度的特征学习。此外，该模型还使用了一种焦点角度间隔惩罚损失函数（F-Softmax），通过更好地学习类间距离，以改善模型在不同类别疾病数据上的识别精度。实验结果表明，该模型在2021年的Kaggle比赛数据集上的准确率均优于现有的主流模型。
关键词：木薯叶病检测;;视觉Transformer;;多头注意力;;损失函数;;识别精度;;最小注意力裁剪
基金资助：广西青年科学基金项目（2021GXNSFBA220080）;; 2022年度广西农业科技基金项目（Z202234）;; 国家自然科学基金企业联合基金（U22B2138）;; 广西财经大数据重点实验室2022年开放基金（FEDOP2022B03）资助
