RGB Image-Based Lightweight Eggplant Fruit Disease Recognition via Frequency Spatial Collaborative Downsampling and Dynamic Attention

茄子是一种重要的蔬菜作物，准确识别果实病害对于保障产量和品质至关重要。然而，田间采集的茄子图像可能存在病斑较小、叶片遮挡和光照变化等问题，给病害的准确识别带来挑战。为应对这些挑战，本文提出了E-GhostNetV3（Eggplant-GhostNetV3），一种面向田间采集图像的轻量级病害识别网络。核心改进包括：频率—空间协同下采样模块（WCD-Down），该模块将基于Haar的多频带分解与并行卷积相结合以提取空间特征；以及动态空间—通道注意力模块（DySCA），用于改善空间和通道维度的特征表示。在包含五类、共1，823张真实田间采集图像的茄子病害数据集上进行评估，E-GhostNetV3在1.81M参数量下达到89.61%的Top-1准确率，在THOP默认计数规则下估计为116.60 M MACs，较GhostNetV3基线（87.07%）提升2.54个百分点。这些结果证明了E-GhostNetV3在所评估数据集上的有效性，以及其作为面向边缘端智慧农业应用的轻量级模型的潜力。该研究还为在数据稀缺条件下评估从零开始训练的模型提供了基准。