基于多尺度特征融合与注意力增强的小麦条锈病识别方法

doi:10.11772/j.issn.1001-9081.2025091184

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (10): 3342-3353.DOI: 10.11772/j.issn.1001-9081.2025091184

• 多媒体计算与计算机仿真 • 上一篇

基于多尺度特征融合与注意力增强的小麦条锈病识别方法

黄会敏¹^,², 汪鹏飞¹, 赵应¹, 袁爱红¹^,², 胡瑾¹^,², 王建锋³^,⁴()

^1.西北农林科技大学信息工程学院，陕西杨凌 712100
^2.农业农村部农业物联网重点实验室（西北农林科技大学），陕西杨凌 712100
^3.作物抗逆与高效生产全国重点实验室（西北农林科技大学），陕西杨凌 712100
^4.西北农林科技大学植物保护学院，陕西杨凌 712100

收稿日期:2025-10-11 修回日期:2025-12-11 接受日期:2025-12-12 发布日期:2026-01-04 出版日期:2026-10-10
通讯作者: 王建锋
作者简介:黄会敏（1991—），女，湖北孝感人，讲师，博士，主要研究方向：图像处理、点云配准、小麦条锈病检测
汪鹏飞（2002—），男，陕西铜川人，硕士研究生，主要研究方向：图像处理、点云配准、小麦条锈病检测
赵应（1996—），男，河南南阳人，硕士研究生，主要研究方向：图像处理、点云配准、小麦条锈病检测
袁爱红（1988—），男，湖北十堰人，副教授，博士，主要研究方向：机器学习、图像处理、人工智能、无监督特征选择
胡瑾（1980—），女，陕西西安人，教授，博士，主要研究方向：农业传感器、智能决策、农业人工智能
基金资助:
国家重点研发计划项目(2024YFD1400403);国家小麦产业技术体系(CARS-03-31);杨凌示范区科技计划项目(2024NY-06)

Wheat stripe rust recognition method based on multi-scale feature fusion and attention enhancement

Huimin HUANG¹^,², Pengfei WANG¹, Ying ZHAO¹, Aihong YUAN¹^,², Jin HU¹^,², Jianfeng WANG³^,⁴()

^1.College of Information Engineering，Northwest A&F University，Yangling Shaanxi 712100，China
^2.Key Laboratory of Agricultural Internet of Things，Ministry of Agriculture and Rural Affairs （Northwest A&F University），Yangling Shaanxi 712100，China
^3.State Key Laboratory for Crop Stress Resistance and High-Efficiency Production （Northwest A&F University），Yangling Shaanxi 712100，China
^4.College of Plant Protection，Northwest A&F University，Yangling Shaanxi 712100，China

Received:2025-10-11 Revised:2025-12-11 Accepted:2025-12-12 Online:2026-01-04 Published:2026-10-10
Contact: Jianfeng WANG
About author:HUANG Huimin， born in 1991， Ph. D.， lecturer. Her research interests include image processing， point cloud registration， wheat stripe rust detection.
WANG Pengfei， born in 2002， M. S. candidate. His research interests include image processing， point cloud registration， wheat stripe rust detection.
ZHAO Ying， born in 1996， M. S. candidate. His research interests include image processing， point cloud registration， wheat stripe rust detection.
YUAN Aihong， born in 1988， Ph. D.， associate professor. His research interests include machine learning， image processing， artificial intelligence， unsupervised feature selection.
HU Jin， born in 1980， Ph. D.， professor. Her research interests include agricultural sensors， intelligent decision-making， agricultural artificial intelligence.
Supported by:
National Key Research and Development Program of China(2024YFD1400403);National Wheat Industry Technology System(CARS-03-31);Science and Technology Program of Yangling Demonstration Zone(2024NY-06)

摘要/Abstract

摘要：

针对小麦条锈病多等级识别中背景复杂、病斑尺度差异显著以及相邻类别特征差异细微等问题，提出一种多尺度特征融合与注意力增强残差网络（MSA-ResNet）。首先，利用残差连接缓解深层网络训练中的梯度消失问题，提高模型的特征表达能力；其次，采用自顶向下的多尺度特征融合策略，通过语义对齐增强不同尺度特征的一致性，提高模型对病斑尺寸变化和形态复杂性的适应能力；最后，引入融合通道注意力与空间注意力的卷积块注意力模块（CBAM），增强病斑关键区域的特征响应，并抑制杂草、土壤等背景信息的干扰。在公开数据集Yellow-Rust-19和自建数据集上的实验结果表明，MSA-ResNet的准确率分别达到95.67%和97.17%，相较于EfficientNet-CBAM分别提高了1.67和0.84个百分点。结果表明，MSA-ResNet能够更好地满足实际应用需求，为田间小麦条锈病的多级识别提供更优的解决方案。

关键词: 小麦条锈病, 多等级识别, 多尺度特征融合, 注意力机制, 残差网络

Abstract:

To address the problems of complex backgrounds， significant variations in lesion scale， and subtle differences between adjacent categories in multi-level recognition of wheat stripe rust， a Multi-Scale feature fusion and Attention-enhanced Residual Network （MSA-ResNet） was proposed. First， residual connections were employed to alleviate the gradient vanishing during deep network training and improve the feature representation capability of the model. Second， a top-down multi-scale feature fusion strategy was adopted to enhance the consistency of features at different scales through semantic alignment， thereby improving the model’s adaptability to lesion size variations and morphological complexity. Finally， a Convolutional Block Attention Module （CBAM）， integrating channel and spatial attention mechanisms， was introduced to enhance feature responses in key lesion regions and suppress interference from background elements such as weeds and soil. Experimental results on the Yellow-Rust-19 public dataset and a self-built dataset show that MSA-ResNet achieves the accuracies of 95.67% and 97.17%， respectively， outperforming EfficientNet-CBAM by 1.67 and 0.84 percentage points， respectively. These results indicate that the proposed MSA-ResNet better meets practical application requirements and provides a superior solution for multi-level recognition of wheat stripe rust under field conditions.

Key words: wheat stripe rust, multi-level recognition, multi-scale feature fusion, attention mechanism, Residual Network (ResNet)

中图分类号:

TP391

黄会敏, 汪鹏飞, 赵应, 袁爱红, 胡瑾, 王建锋. 基于多尺度特征融合与注意力增强的小麦条锈病识别方法[J]. 计算机应用, 2026, 46(10): 3342-3353.

Huimin HUANG, Pengfei WANG, Ying ZHAO, Aihong YUAN, Jin HU, Jianfeng WANG. Wheat stripe rust recognition method based on multi-scale feature fusion and attention enhancement[J]. Journal of Computer Applications, 2026, 46(10): 3342-3353.

图/表 16

参考文献 33

[1]	Bukhari H R， Mumtaz R， Inayat S， et al. Assessing the impact of segmentation on wheat stripe rust disease classification using computer vision and deep learning［J］. IEEE Access， 2021， 9： 164986-165004.
[2]	University of Nebraska-Lincoln. Wheat disease identification［EB/OL］. ［2025-07-10］..
[3]	Martinelli F， Scalenghe R， Davino S， et al. Advanced methods of plant disease detection. a review［J］. Agronomy for Sustainable Development， 2015， 35（1）： 1-25.
[4]	Shinde S S， Kulkarni M. Review paper on prediction of crop disease using IoT and machine learning［C］// ICTEE 2017. Piscataway： IEEE， 2017： 1-4.
[5]	Deng J， Hong D， Li C， et al. RustQNet： multimodal deep learning for quantitative inversion of wheat stripe rust disease index［J］. Computers and Electronics in Agriculture， 2024， 225： No.109245.
[6]	朱文静，陈华，李林，等. 基于红外热成像边缘检测算法的小麦叶锈病分级研究［J］. 农业机械学报， 2019， 50（4）： 36-41， 48.
	Zhu Wenjing， Chen Hua， Li Lin， et al. Grading of wheat leaf rust based on edge detection of infrared thermal imaging［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（4）： 36-41， 48.
[7]	蒋小敏，冯海宽，常红，等. 基于数码图像的小麦条锈病病害程度分级方法［J］. 江苏农业科学， 2021， 49（23）： 109-115.
	Jiang Xiaomin， Feng Haikuan， Chang Hong， et al. Grade classification method of wheat stripe rust diseases based on digital images［J］. Jiangsu Agricultural Sciences， 2021， 49（23）： 109-115.
[8]	Kumar S， Singh R， Kumar S， et al. Enhancing wheat yellow rust detection through modified deep learning approach［J］. Current Plant Biology， 2025， 42： No.100472.
[9]	Tola F G， Blitti K E K， Diwan A， et al. Automated wheat rust disease classification using convolutional neural networks with transfer learning［C］// ENSYMP 2024. Piscataway： IEEE， 2024： 1-6.
[10]	Tang Z， Wang M， Schirrmann M， et al. Affordable high throughput field detection of wheat stripe rust using deep learning with semi-automated image labeling［J］. Computers and Electronics in Agriculture， 2023， 207： No.107709.
[11]	毛锐，张宇晨，王泽玺，等. 利用改进Faster-RCNN识别小麦条锈病和黄矮病［J］. 农业工程学报， 2022， 38（17）： 176-185.
	Mao Rui， Zhang Yuchen， Wang Zexi， et al. Recognizing stripe rust and yellow dwarf of wheat using improved Faster-RCNN［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（17）： 176-185.
[12]	Saleem S， Hussain A， Majeed N， et al. A multi-scale feature extraction and fusion deep learning method for classification of wheat diseases［J］. Journal of Computer Science， 2025， 21（1）： 34-42.
[13]	Hassan A， Mumtaz R， Mahmood Z， et al. Wheat leaf localization and segmentation for yellow rust disease detection in complex natural backgrounds［J］. Alexandria Engineering Journal， 2024， 107： 786-798.
[14]	Pan Q， Gao M， Wu P， et al. Image classification of wheat rust based on ensemble learning［J］. Sensors， 2022， 22（16）： No.6047.
[15]	Hayit T， Erbay H， Varçın F， et al. Determination of the severity level of yellow rust disease in wheat by using convolutional neural networks［J］. Journal of Plant Pathology， 2021， 103（3）： 923-934.
[16]	Hayıt T， Erbay H， Varçın F， et al. The classification of wheat yellow rust disease based on a combination of textural and deep features［J］. Multimedia Tools and Applications， 2023， 82（30）： 47405-47423.
[17]	郭伟，党梦佳，贾箫，等. 基于深度学习的小麦条锈病病害等级识别［J］. 华南农业大学学报， 2023， 44（4）： 604-612.
	Guo Wei， Dang Mengjia， Jia Xiao， et al. Grade classification of wheat stripe rust disease based on deep learning［J］. Journal of South China Agricultural University， 2023， 44（4）： 604-612.
[18]	Syeda F， Jameel A， Alani N， et al. Automated detection and severity prediction of wheat rust using cost-effective Xception architecture［J］. Plant， Cell and Environment， 2025， 48（6）： 4126-4139.
[19]	Hu J， Shen L， Sun G. Squeeze-and-excitation networks［C］// CVPR 2018. Piscataway： IEEE， 2018： 7132-7141.
[20]	Wang Q， Wu B， Zhu P， et al. ECA-Net： efficient channel attention for deep convolutional neural networks［C］// CVPR 2020. Piscataway： IEEE， 2020： 11531-11539.
[21]	鲍文霞，赵诗意，黄林生，等. 基于轻量级密集多尺度注意力网络的小麦叶部锈病识别方法［J］. 农业机械学报， 2024， 55（11）： 21-31.
	Bao Wenxia， Zhao Shiyi， Huang Linsheng， et al. Lightweight dense multi-scale attention network for identification of rust on wheat leaves［J］. Transactions of the Chinese Society for Agricultural Machinery， 2024， 55（11）： 21-31.
[22]	Li S， Liu W， Ji M， et al. GLNet： global-local feature network for wheat leaf disease image classification［J］. Frontiers in Plant Science， 2024， 15： No.1471705.
[23]	尉国帅，贺佳，常宝方，等. 基于改进S-ResNet34模型的小麦条锈病等级识别研究［J］. 南京农业大学学报， 2025， 48（1）： 230-239.
	Wei Guoshuai， He Jia， Chang Baofang， et al. Classification of wheat stripe rust based on improved S-ResNet34 model［J］. Journal of Nanjing Agricultural University， 2025， 48（1）： 230-239.
[24]	Szegedy C， Liu W， Jia Y， et al. Going deeper with convolutions［C］// CVPR 2015. Piscataway： IEEE， 2015： 1-9.
[25]	Chang S， Yang G， Cheng J， et al. Recognition of wheat rusts in a field environment based on improved DenseNet［J］. Biosystems Engineering， 2024， 238： 10-21.
[26]	Lin T Y， Dollár P， Girshick R， et al. Feature pyramid networks for object detection［C］// CVPR 2017. Piscataway： IEEE， 2017： 936-944.
[27]	Nigam S， Jain R， Singh V K. Automated severity level estimation of wheat rust using an EfficientNet-CBAM hybrid model［J］. Frontiers in Plant Science， 2025， 16： No.1540642.
[28]	Woo S， Park J， Lee J Y， et al. CBAM： convolutional block attention module［C］// ECCV 2018， LNCS 11211. Cham： Springer， 2018： 3-19.
[29]	Al Mamun A， Zhang M， Ahmedt-Aristizabal D， et al. ConMamba： contrastive vision Mamba for plant disease detection［J］. Pattern Recognition， 2026， 176： No.113177.
[30]	Fang X， Wang B， Huan C， et al. HyperKAN： hypergraph representation learning with Kolmogorov-Arnold networks［C］// ICASSP 2025. Piscataway： IEEE， 2025： 1-5.
[31]	He K， Zhang X， Ren S， et al. Deep residual learning for image recognition［C］// CVPR 2016. Piscataway： IEEE， 2016： 770-778.
[32]	Sandler M， Howard A， Zhu M， et al. MobileNetV2： inverted residuals and linear bottlenecks［C］// CVPR 2018. Piscataway： IEEE， 2018： 4510-4520.
[33]	Dosovitskiy A， Beyer L， Kolesnikov A， et al. An image is worth 16x16 words： Transformers for image recognition at scale［PP/OL］. V2. arXiv （2021-06-03）［2025-07-10］..

层名	输入尺寸	模块类型	输出尺寸	通道数	重复次数
Input	224×224×3	Input layer	224×224	3	1
Stem	224×224×3	Conv（7×7）	56×56	64	1
Layer1	56×56×64	ResNet block×3	56×56	256	3
Layer2	56×56×256	ResNet block×4	28×28	512	4
Layer3	28×28×512	ResNet block×6	14×14	1 024	6
Layer4	14×14×1 024	ResNet block×3	7×7	2 048	3
Lateral conv1	28×28×512	UFPM block	28×28	256	1
Lateral conv2	14×14×1 024	UFPM block	28×28	256	1
Lateral conv3	7×7×2 048	UFPM block	28×28	256	1
Fusion convs	28×28×256	UFPM block	28×28	256	3
Channel Attention	28×28×256	CBAM block	28×28	256	1
Spatial Attention	28×28×256	CBAM block	28×28	256	1
Global Pooling	28×28×256	Adaptive AvgPool（1×1）	1×1	256	1
FC	1×1×256	Linear（256→6）	1×1×6	6	1

层名	输入尺寸	模块类型	输出尺寸	通道数	重复次数
Input	224×224×3	Input layer	224×224	3	1
Stem	224×224×3	Conv（7×7）	56×56	64	1
Layer1	56×56×64	ResNet block×3	56×56	256	3
Layer2	56×56×256	ResNet block×4	28×28	512	4
Layer3	28×28×512	ResNet block×6	14×14	1 024	6
Layer4	14×14×1 024	ResNet block×3	7×7	2 048	3
Lateral conv1	28×28×512	UFPM block	28×28	256	1
Lateral conv2	14×14×1 024	UFPM block	28×28	256	1
Lateral conv3	7×7×2 048	UFPM block	28×28	256	1
Fusion convs	28×28×256	UFPM block	28×28	256	3
Channel Attention	28×28×256	CBAM block	28×28	256	1
Spatial Attention	28×28×256	CBAM block	28×28	256	1
Global Pooling	28×28×256	Adaptive AvgPool（1×1）	1×1	256	1
FC	1×1×256	Linear（256→6）	1×1×6	6	1

等级	Yellow-Rust-19		自建数据集
等级	采集样本数	增强后样本数	采集样本数	增强后样本数
合计	5 421	15 000	1 787	6 000
IM	205	2 500	180	1 000
R	361	2 500	407	1 000
MR	564	2 500	443	1 000
MRMS	1 135	2 500	409	1 000
MS	1 795	2 500	173	1 000
S	1 361	2 500	175	1 000

等级	Yellow-Rust-19		自建数据集
等级	采集样本数	增强后样本数	采集样本数	增强后样本数
合计	5 421	15 000	1 787	6 000
IM	205	2 500	180	1 000
R	361	2 500	407	1 000
MR	564	2 500	443	1 000
MRMS	1 135	2 500	409	1 000
MS	1 795	2 500	173	1 000
S	1 361	2 500	175	1 000

模型	独立测试集				5-折交叉验证
模型	精准率	召回率	F1值	准确率	精准率（均值±σ）	召回率（均值±σ）	F1值（均值±σ）	准确率（均值±σ）
MobileNetV2^［32］	92.52	92.40	92.41	92.40	92.15±0.45	92.08±0.43	92.11±0.44	92.08±0.43
SE-Net^［19］	93.96	94.00	93.96	94.00	93.72±0.39	93.65±0.37	93.68±0.38	93.65±0.37
ViT^［33］	93.66	93.67	93.65	93.67	93.35±0.42	93.28±0.40	93.31±0.41	93.28±0.40
CNN-CGLCM_HSV^［16］	92.43	92.40	92.36	92.40	—	—	—	—
S-ResNet34^［23］	93.25	93.27	93.24	93.27	93.01±0.52	92.95±0.48	92.98±0.50	92.95±0.48
Imp-DenseNet^［25］	93.85	93.80	93.73	93.80	93.56±0.43	93.50±0.40	93.52±0.41	93.50±0.40
EfficientNet-CBAM^［27］	94.02	94.00	93.97	94.00	93.76±0.45	93.68±0.41	93.72±0.43	93.68±0.41
Mobile-DMSANet^［21］	93.39	93.47	93.40	93.47	93.12±0.49	93.08±0.46	93.10±0.47	93.08±0.46
ConMamba^［29］	92.96	92.80	92.81	92.80	92.85±0.42	92.70±0.40	92.75±0.41	92.70±0.40
HyperKAN^［30］	93.41	93.47	93.43	93.47	93.30±0.45	93.35±0.43	93.32±0.44	93.35±0.43
MSA-ResNet	95.65	95.67	95.66	95.67	95.42±0.31	95.38±0.27	95.40±0.29	95.38±0.27

基于多尺度特征融合与注意力增强的小麦条锈病识别方法

Wheat stripe rust recognition method based on multi-scale feature fusion and attention enhancement

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 33

相关文章 15

编辑推荐

Metrics

UFPM 输入特征层	注意力	独立测试集				5-折交叉验证
UFPM 输入特征层	注意力	精准率	召回率	F1值	准确率	精准率（均值±σ）	召回率（均值±σ）	F1值（均值±σ）	准确率（均值±σ）
×	×	94.07	94.07	94.06	94.07	93.82±0.35	93.78±0.32	93.80±0.33	93.78±0.32
C₂， C₃， C₄	×	94.76	94.80	94.78	94.80	94.52±0.29	94.48±0.27	94.50±0.28	94.48±0.27
×	√	94.26	94.27	94.26	94.26	94.01±0.33	93.97±0.30	93.99±0.31	93.97±0.30
C₂， C₃	√	94.30	94.20	94.17	94.20	94.05±0.34	93.95±0.31	93.99±0.32	93.95±0.31
C₂， C₃， C₄	√	95.65	95.67	95.66	95.67	95.42±0.31	95.38±0.27	95.40±0.29	95.38±0.27

[1]	季长清, 张紫滢, 汪祖民. 基于增强图神经网络的多尺度Transformer的连续无创血压预测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 3043-3053.
[2]	欧宇枫, 王嘉宏. 基于双分支特征提取的印刷电路板小目标缺陷检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2977-2986.
[3]	陈江彦, 王彦丹, 刘翼虎, 马应龙. 基于协同查询优化的长尾目标检测框架[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2769-2775.
[4]	谢丽霞, 曹超越, 杨宏宇. 基于改进DeepLabV3+的ADS-B攻击检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2867-2876.
[5]	王伊璠, 韩虎, 李栋, 范雅婷, 李琳. 基于异构增强与多源知识融合的方面级情感分析[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2752-2760.
[6]	刘威, 李维刚, 田志强. 面向点云分类与分割的层次化旋转不变几何结构的表征学习方法[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2594-2602.
[7]	白杰龙, 方晨韵, 乔志伟. 基于多尺度注意力自适应融合的稀疏CT伪影抑制Transformer网络[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2660-2667.
[8]	李光辉, 屈立成. 基于改进Lite-Mono架构的动态空洞卷积和分层注意力模型[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2567-2576.
[9]	黄远航, 荣娜. 结合注意力机制与深度强化学习的无模型光伏接入容量评估方法[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2708-2715.
[10]	黄麟, 李英顺, 佟维妍, 张树园, 王子涵. 基于改进实时检测Transformer的遥感图像目标检测算法[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2652-2659.
[11]	郭晓金, 隋旭洋, 周柯男. 基于深度学习的STAR⁃RIS辅助混合场通信系统信道估计[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2548-2554.
[12]	刘明, 沈东奇, 孟子洋. 双分支结构下多层次特征融合的点云配准网络[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2584-2593.
[13]	刘凤春, 邵馨莹, 张春英, 王立亚, 任静. 多尺度特征优化的单目深度估计框架FCMdepth[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2603-2611.
[14]	颜建强, 董贝贝, 曲博婷, 彭晨. 融合多源信息与图级注意力的双向扩散动态图卷积交通流预测网络[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2327-2333.
[15]	刘雯玲, 李勇, 李佳慧, 张厚康. 面向不均匀雾霾遥感图像的无监督去雾方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2297-2306.

模型	独立测试集				5-折交叉验证
模型	精准率	召回率	F1值	准确率	精准率（均值±σ）	召回率（均值±σ）	F1值（均值±σ）	准确率（均值±σ）
MobileNetV2^［32］	94.28	94.17	94.18	94.17	93.92±0.41	93.85±0.39	93.88±0.40	93.85±0.39
SE-Net^［19］	95.53	95.50	95.49	95.50	95.23±0.36	95.18±0.33	95.20±0.34	95.18±0.33
ViT^［33］	94.98	95.00	94.96	95.00	94.72±0.38	94.65±0.35	94.68±0.36	94.65±0.35
CNN-CGLCM_HSV^［16］	—	—	—	—	—	—	—	—
S-ResNet34^［23］	95.97	95.83	95.83	95.83	95.62±0.38	95.57±0.35	95.59±0.36	95.57±0.35
Imp-DenseNet^［25］	96.27	96.17	96.16	96.17	95.89±0.34	95.85±0.31	95.86±0.32	95.85±0.31
EfficientNet-CBAM^［27］	96.37	96.33	96.32	96.33	96.05±0.33	96.01±0.28	96.02±0.30	96.01±0.28
Mobile-DMSANet^［21］	96.19	96.17	96.15	96.17	95.91±0.32	95.87±0.29	95.88±0.30	95.87±0.29
ConMamba^［29］	96.73	96.67	96.67	96.67	96.50±0.30	96.40±0.28	96.45±0.29	96.40±0.28
HyperKAN^［30］	95.82	95.83	95.81	95.83	95.50±0.35	95.60±0.33	95.55±0.34	95.60±0.33
MSA-ResNet	97.19	97.17	97.17	97.17	97.03±0.22	96.98±0.19	96.99±0.20	96.98±0.19

模型	独立测试集				5-折交叉验证
模型	精准率	召回率	F1值	准确率	精准率（均值±σ）	召回率（均值±σ）	F1值（均值±σ）	准确率（均值±σ）
MobileNetV2^［32］	94.28	94.17	94.18	94.17	93.92±0.41	93.85±0.39	93.88±0.40	93.85±0.39
SE-Net^［19］	95.53	95.50	95.49	95.50	95.23±0.36	95.18±0.33	95.20±0.34	95.18±0.33
ViT^［33］	94.98	95.00	94.96	95.00	94.72±0.38	94.65±0.35	94.68±0.36	94.65±0.35
CNN-CGLCM_HSV^［16］	—	—	—	—	—	—	—	—
S-ResNet34^［23］	95.97	95.83	95.83	95.83	95.62±0.38	95.57±0.35	95.59±0.36	95.57±0.35
Imp-DenseNet^［25］	96.27	96.17	96.16	96.17	95.89±0.34	95.85±0.31	95.86±0.32	95.85±0.31
EfficientNet-CBAM^［27］	96.37	96.33	96.32	96.33	96.05±0.33	96.01±0.28	96.02±0.30	96.01±0.28
Mobile-DMSANet^［21］	96.19	96.17	96.15	96.17	95.91±0.32	95.87±0.29	95.88±0.30	95.87±0.29
ConMamba^［29］	96.73	96.67	96.67	96.67	96.50±0.30	96.40±0.28	96.45±0.29	96.40±0.28
HyperKAN^［30］	95.82	95.83	95.81	95.83	95.50±0.35	95.60±0.33	95.55±0.34	95.60±0.33
MSA-ResNet	97.19	97.17	97.17	97.17	97.03±0.22	96.98±0.19	96.99±0.20	96.98±0.19

UFPM 输入特征层	注意力	独立测试集				5-折交叉验证
UFPM 输入特征层	注意力	精准率	召回率	F1值	准确率	精准率（均值±σ）	召回率（均值±σ）	F1值（均值±σ）	准确率（均值±σ）
×	×	95.13	95.00	95.01	95.00	94.85±0.28	94.80±0.25	94.82±0.26	94.80±0.25
C₂， C₃， C₄	×	96.86	96.83	96.81	96.83	96.62±0.21	96.58±0.19	96.60±0.20	96.58±0.19
×	√	96.34	96.33	96.32	96.33	96.08±0.24	96.03±0.22	96.05±0.23	96.03±0.22
C₂， C₃	√	96.03	96.00	95.98	96.00	95.76±0.26	95.70±0.24	95.73±0.25	95.70±0.24
C₂， C₃， C₄	√	97.19	97.17	97.17	97.17	97.03±0.22	96.98±0.19	96.99±0.20	96.98±0.19

UFPM 输入特征层	注意力	独立测试集				5-折交叉验证
UFPM 输入特征层	注意力	精准率	召回率	F1值	准确率	精准率（均值±σ）	召回率（均值±σ）	F1值（均值±σ）	准确率（均值±σ）
×	×	95.13	95.00	95.01	95.00	94.85±0.28	94.80±0.25	94.82±0.26	94.80±0.25
C₂， C₃， C₄	×	96.86	96.83	96.81	96.83	96.62±0.21	96.58±0.19	96.60±0.20	96.58±0.19
×	√	96.34	96.33	96.32	96.33	96.08±0.24	96.03±0.22	96.05±0.23	96.03±0.22
C₂， C₃	√	96.03	96.00	95.98	96.00	95.76±0.26	95.70±0.24	95.73±0.25	95.70±0.24
C₂， C₃， C₄	√	97.19	97.17	97.17	97.17	97.03±0.22	96.98±0.19	96.99±0.20	96.98±0.19