随着全球化的推进，香蕉作为世界上贸易量和消费量最大的水果之一，其重要性不言而喻。然而，香蕉叶病（如叶斑病、灰纹病和拟盘多毛菌病）却成为影响香蕉产量的一大难题。为了有效应对这一挑战，开发出一种创新的方法来识别香蕉叶病，将有助于实时检测病害并预警，减轻病害给农业生产带来的经济损失。

近期，中南林业科技大学电子信息与物理学院周国雄教授团队完成的题为“Identification of banana leaf disease based on KVA and GR-ARNet” 的研究在Journal of Integrative Agriculture (《农业科学学报》(英文)，JIA) 2024年10期正式发表。该研究提出了一种新颖的方法来准确识别香蕉叶病。

该研究提出一种名为K-scale VisuShrinkd algorithm（KVA）的新型算法对香蕉叶片图像进行去噪，该算法在半软阈值和中程阈值的基础上引入新的分解尺度k，获得理想的阈值解，并用新建立的阈值函数进行替代，从而达到图像降噪的效果，得到噪声较小的香蕉叶片图像。

KVA schematic diagram

在Resnet50网络架构的基础上提出了一种香蕉叶病识别的新型网络，称为Ghost ResNeSt-Attention RReLU-Swish Net（GR-ARNet）。其中，引入Ghost模块处理蕉叶病信息的冗余特征图，有利于网络对输入特征图信息全面理解，提高网络提取蕉叶病害深度特征信息的效率和识别速度；采用ResNeSt模块调整各通道的权重，增强蕉叶病有用特征信息的通道，抑制注意学习中噪声信息的通道，增强网络对深度特征的识别能力，提高蕉叶病特征提取能力，从而获取到详细的蕉叶病斑特征图，降低相似病害识别的错误率；利用RReLU和Swish的混合激活函数加快模型的训练速度，提高网络的泛化能力。

实验结果显示，使用GR-ARNet对健康叶片和三种病害叶片的识别准确率分别为98.38%，96.42%，97.54%，和95.58%，平均识别准确率达到96.98%，显示出该模型具有良好的识别准确性，在农业病害防治中具有重要的应用价值。此外，未来的研究将着眼于开发易于果农使用的应用工具，使农民可以直接上传香蕉叶病图片，并得到及时的疾病诊断和相应的控制方法建议。

Structure of the GR-ARNet

Confusion matrix for the classification of banana leaf diseases

中南林业科技大学电子信息与物理学院周国雄教授为该文章的通讯作者，邓金生硕士为该文章的第一作者。

该研究得到了国家自然科学基金项目（61902436）、湖南省教育厅重点项目（21A0179）、智能物流技术湖南省重点实验室项目（2019TP1015）和长沙市自然科学基金项目（kq2014160）的支持。

点击链接查看全文： ‍https://www.sciencedirect.com/science/article/pii/S2095311923004343‍

Cite the article: Jinsheng Deng, Weiqi Huang, Guoxiong Zhou, Yahui Hu, Liujun Li, Yanfeng Wang. 2024. Identification of banana leaf disease based on KVA and GR-ARNet. Journal of Integrative Agriculture, 23(10): 3554-3575.

Journal of Integrative Agriculture (《农业科学学报》(英文), JIA) 由中华人民共和国农业农村部主管，中国农业科学院与中国农学会主办，中国农业科学院农业信息研究所承办。综合性英文学术期刊，月刊。创刊于2002年，现任主编为中国科学院院士陈化兰。JIA主要栏目有作物科学、园艺、植物保护、动物科学、动物医学、农业生态环境、食品科学、农业经济与管理等。刊稿类型有综述、研究论文、简报以及评述等。全部论文在Elsevier-ScienceDirect (SD) 平台OA出版。最新SCI影响因子4.6，位于SCI-JCR农业综合学科Q1区。中国科学院分区农林科学1区。2016年以来先后获得中国科协等部委 “提升计划”“登峰计划”“卓越计划”项目支持。