MCP X Rice Disease

纸张复制代码（水稻叶片和统一基准）

摘要

大米是全球一半以上人口的主食，极易感染细菌和真菌疾病，如白叶枯病、褐斑病和叶黑穗病，这会严重降低产量。传统的人工检测是劳动密集型的，通常会导致干预延迟和化学物质过度使用。尽管卷积神经网络（CNN）等深度学习模型实现了高精度，但它们的计算需求阻碍了在资源有限的农业环境中的部署。我们提出了MCP-X，这是一种超紧凑的CNN，只有21万个参数，用于实时、设备上的水稻病害分类。MCP-X集成了浅层编码器、多分支专家路由、双层递归仿真编解码器（BRSE）、高效信道注意力（ECA）模块和轻量级分类器。从零开始训练，MCP-X在PlantVillage上的准确率为98.93%，在水稻病害检测数据集上的准确度为96.59%，无需外部预训练。从机制上讲，专家路由使特征分支多样化，ECA增强了通道信号相关性，BRSE捕获了病变规模和纹理线索，从而产生了通过消融研究证实的互补的阶段性增益。尽管FLOP略高于MobileNetV2，但MCP-X优先考虑最小的内存占用（约1.01 MB）和可部署性，而不是原始速度，在RTX A5000上以53.83 FPS（2.42 GFLOP）的速度运行。它的参数分别比MobileNetV2、ResNet152V2、ViT-Base和VGG-16少16.7倍、287倍、420倍和659倍。当集成到多分辨率集成中时，MCP-X的准确率达到99.85%，在受控和现场数据集上表现出卓越的鲁棒性，同时保持了现实世界农业应用的效率。

关键词：水稻病害分类；卷积神经网络；轻量化模型；高效渠道关注；PlantVillage数据集；资源受限部署

环境（精确、可重复）：

• 仅使用 environment.yml （县）：

conda env create -f environment.yml
conda activate tf_env

注：未提供pip requirements.txt；始终使用 environment.yml.

数据集

• 集 --data_root 到水稻叶病的数据集根（ImageFolder结构）。

培训/评估

python train.py --data_root "PATH_TO_RICE_LEAF_DATASET" --use_transfer_learning --epochs 20 --batch_size 64

统一基准

python unified_benchmark.py --models mcpx_no_attn,mobilenet_v2,resnet152v2,vgg16_bn,vit_base --num_classes 3 --input_size 224

鲁棒性

python robustness_eval.py --device auto --max_images 16

能量（GPU）

python energy_eval.py --device auto --backbones mcpx_no_attn,mobilenet_v2,resnet152v2,vgg16_bn --input 224 --batch 32

Grad CAM

python gradcam_generate.py

合奏学习（历史最佳剧本）

python ensemble_eval.py --data_root "PATH_TO_TEST_OR_SPLIT_ROOT" \
  --models runs_fixed/vit_base_e100/finetuned_mcpx_fixed.pth \
           runs_fixed/resnet152v2_e100/finetuned_mcpx_fixed.pth \
           runs_fixed/mobilenet_v2_e100/finetuned_mcpx_fixed.pth \
           runs_fixed/vgg16_e100/finetuned_mcpx_fixed.pth \
           runs_fixed/mcpx_no_attn_e100/finetuned_mcpx_fixed.pth \
  --out_dir ensemble_outputs --workers 0 --fusion mean

注：

• 此存储库仅提供 ensemble_eval.py 用于组装。