《Smart Agricultural Technology》：Attention Module Distribution in the MobileNetV2 Bottleneck Block for Coffee Leaf Disease Classification
编辑推荐：
深度学习模型在移动设备上部署用于植物病害检测时，往往受限于计算资源的可用性。尽管MobileNetV2提供了高效的轻量化架构，但其特征提取能力仍需借助注意力机制加以增强，同时不能引入显著的计算开销，也不应依赖尚未被充分探索的空间分布方式。本研究分析了将注意力模
深度学习模型在移动设备上部署用于植物病害检测时，往往受限于计算资源的可用性。尽管MobileNetV2提供了高效的轻量化架构，但其特征提取能力仍需借助注意力机制加以增强，同时不能引入显著的计算开销，也不应依赖尚未被充分探索的空间分布方式。本研究分析了将注意力模块，具体包括CBAM（卷积块注意力模块）、ECA（高效通道注意力）、SimAM（简单无参数注意力模块）和Coordinate Attention（坐标注意力，CA），以策略性方式分布于MobileNetV2瓶颈块中的有效性，以确定分类精度与计算效率之间的最优平衡。研究采用包含1,544幅阿拉比卡咖啡叶图像的数据集，将其分为Healthy、Phoma和Cercospora三类；并在8种分布配置下开展系统性消融实验，基于分类性能与效率指标进行评估。研究结果表明，选择性注意力分布显著优于全分布策略，其中采用Coordinate Attention的中心聚焦分布取得最高准确率94.19%，其计算规模为2.37M参数和302.26 GMACs；而采用ECA的边缘分布则表现出最均衡的配置，以299.54 GMACs和4.67 ms的超快推理时间获得了93.55%的可比准确率。这些发现证实，优化注意力模块的空间分布比单纯增加网络结构深度更为关键。因此，未来研究应通过整合Attention Guided Pruning（注意力引导剪枝），即将注意力权重作为裁剪冗余滤波器的度量标准以构建更精简的架构，并探索Dynamic Neural Architecture Search（动态神经架构搜索），以自主确定最优插入层，而非依赖静态的人工配置，从而推进该方法的发展。
该论文发表于《Smart Agricultural Technology》，聚焦于资源受限场景下咖啡叶病害智能识别模型的结构优化问题。研究背景在于，农业病害视觉识别正在快速走向移动端和边缘端部署，但移动设备通常面临算力、存储和响应延迟等多重约束，因此模型设计必须在识别精度与计算成本之间取得稳定平衡。MobileNetV2作为典型轻量化卷积神经网络（CNN，卷积神经网络），凭借倒残差瓶颈结构和深度可分离卷积，在低参数量和较高推理效率方面具有明显优势，因而成为移动视觉任务中的常用基础架构。然而，轻量化网络在压缩参数和降低运算量的同时，也可能削弱高层语义特征表达与关键病斑区域建模能力，尤其是在自然环境采集图像中，复杂背景、光照变化和类间视觉相似性会进一步增加分类难度。已有研究通常通过引入注意力机制增强特征表征，但大多集中于比较不同注意力模块类型的优劣，而较少系统讨论这些模块在网络内部“放在哪里”更有效。对于具有17个瓶颈块的MobileNetV2而言，若在全部块中无差别嵌入注意力模块，虽然可能提升局部特征重标定能力，却也会增加模型复杂度并削弱轻量化优势。因此，有必要研究一种兼顾精度提升与计算效率保持的注意力分布策略，这正是本文开展研究的直接动因。
围绕上述问题，研究人员构建了一个以MobileNetV2为基线的系统性消融研究框架，将4类注意力模块——CBAM、ECA、SimAM和Coordinate Attention（CA）——嵌入到倒残差瓶颈块内部相同位置，即位于3 × 3 Depthwise Convolution之后、1 × 1 Pointwise线性投影之前。该位置设计使注意力模块能够在空间与通道信息已经初步抽取之后，对特征图进行自适应重加权，再交由后续线性投影进行压缩，从而在尽量不破坏原有轻量化设计的前提下增强病害特征。研究的核心不只是比较注意力类型，而是系统分析其在17个瓶颈块中的分布方式。为此，研究人员设计了8种配置：无注意力基线、全分布、奇数块分布、偶数块分布、前层分布、后层分布、中间层分布和边缘分布。通过在统一训练条件下比较这些配置，研究试图回答两个关键问题：哪一种注意力机制最适合咖啡叶病害分类，以及哪一种空间分布方式最有利于在轻量化约束下实现性能最优。
从整体结论看，论文最重要的发现是：选择性分布显著优于全分布，说明注意力模块的作用并非越多越好，而是更依赖插入位置与特征层级的匹配。具体而言，采用CA的中间层分布表现最佳，准确率达到94.19%，F1-score达到0.9333，参数量为2,365,895，计算量为302.26 GMACs；这表明在网络中部进行特征重校准，对咖啡叶病害这类依赖中高层语义判别的任务最为有效。与此同时，采用ECA的边缘分布在保持极低额外开销的同时，获得93.55%的准确率，并具有4.67 ms的最快推理时间，是精度与速度最均衡的配置之一。研究因此证明，相较于单纯增加模型复杂度或在所有层中堆叠注意力模块，精细化的空间分布策略更能体现轻量化网络结构设计的价值。
就研究所采用的关键技术方法而言，作者主要使用了以下几类方法：首先，基于真实种植园场景采集阿拉比卡咖啡叶图像，共1,544张，包含Healthy、Phoma和Cercospora三类，并采用80:10:10划分训练集、验证集和测试集；其次，对图像实施手工裁剪RoI（感兴趣区域）、统一缩放至224 × 224，并结合随机旋转、随机水平翻转和Color Jitter进行数据增强；再次，以MobileNetV2为基线，在17个瓶颈块中按预设拓扑插入CBAM、ECA、SimAM和CA，开展8种分布策略消融实验；最后，使用Adam优化器、学习率0.0001、batch size为32、训练50个epoch，并以准确率、精确率、召回率、F1-score、参数量、GMACs、模型大小和推理时间进行综合评估。
以下结合论文结果部分各小标题，对研究主体内容作进一步解读。
3.1. Coffee Leaf Disease Samples
这一部分主要说明研究所使用图像数据的来源与视觉特征。研究人员展示了阿拉比卡咖啡叶病害样本，包括Phoma、Healthy和Cercospora三类。样本图像采集于自然环境而非实验室标准背景，因此具有异质背景、动态光照和自然噪声等特征。该结果说明，本文任务并非在理想条件下的简单分类，而是在更接近田间应用场景的数据条件下评估模型泛化能力。由此可见，模型必须不仅识别病害纹理本身，还要具备抑制背景干扰与光照变化影响的能力，这也为后续引入注意力机制提供了现实需求依据。
3.2. Training Performance
这一部分通过训练与验证学习曲线分析不同注意力机制下模型训练过程的稳定性与泛化表现。研究人员分别给出了CBAM、ECA、SimAM和CA配置的准确率与损失曲线。结果显示，各模型在训练初期准确率快速上升、损失显著下降，随后逐步趋于平稳，说明整体优化过程有效收敛。研究人员借助训练集与验证集之间曲线差异判断潜在过拟合风险，结果表明所设数据增强和训练配置总体能够维持较稳定的泛化状态。该部分的意义在于证明后续分类性能差异并非主要来自训练失败或不稳定，而更可能与注意力机制本身及其分布位置有关。
3.3. Model Performance Evaluation
这一部分是论文的核心实证结果。研究人员基于混淆矩阵和宏平均分类报告，对不同配置在分类性能和效率上的表现进行了定量比较。基线MobileNetV2的准确率为0.9226，F1-score为0.9132。与之相比，多种选择性注意力配置均取得提升，但提升幅度因模块类型和插入位置而异。
在CBAM中，Even分布表现最佳，准确率为0.9355，F1-score为0.9294，说明将CBAM布置在偶数瓶颈块能够更有效地强化特征。
在SimAM中，Edge分布达到最高准确率0.9355，F1-score为0.9268，同时由于SimAM为无参数模块，其参数量与GMACs基本不增加，体现了良好轻量化特征。
在ECA中，Edge分布同样达到0.9355准确率和0.9279的F1-score，参数量仅为2,227,739，GMACs为299.54，几乎与基线持平，表明该模块在极低计算增量下提供了稳定收益。
在CA中，Middle分布取得全实验最佳结果，准确率0.9419、精确率0.9359、召回率0.9318、F1-score 0.9333，优于其他所有配置。
特别值得注意的是，ALL全分布策略在多个模块中并未优于选择性分布，甚至部分情况下低于基线，例如CA + ALL和SimAM + ALL。该结果直接支持论文的核心观点，即注意力机制的价值取决于“空间分布优化”，而不是简单地“全面覆盖”。
3.4. Performance and Computational Efficiency Analysis
这一部分进一步从“性能—复杂度权衡”角度解释模型优劣。研究人员比较了若干代表性最佳配置相对于基线的F1-score提升、参数增幅以及综合效率分数。结果显示，CA + Middle虽然具有最高绝对性能，F1-score较基线提升2.20%，但参数量也增加6.20%；相比之下，ECA + Edge和SimAM + Edge虽然绝对精度略低，但由于参数几乎不增加，因此在性能提升与模型成本的相对权衡上更具优势。文中据此指出，若以最高准确率为目标，CA + Middle最优；若以轻量化部署和效率平衡为目标，ECA + Edge与SimAM + Edge更具实际价值。研究还通过推理时间比较发现，ECA + Edge达到4.6654 ms，为最具实时潜力的配置。该部分说明，模型评价不能仅看准确率，还需结合参数量、模型大小和运算成本综合判断其适用场景。
3.5. Discussion
讨论部分首先总结了本研究的结构性认识：MobileNetV2性能提升并不单纯取决于是否加入注意力机制，而更受其在瓶颈块中的布置策略影响。中间层往往承载更丰富的语义特征，因此在这一层级放置CA可取得最显著的性能增益。这一解释与实验结果一致，即CA + Middle优于起始层、末端层及全分布方案。其次，作者通过与既有研究对比说明本文方法的竞争力。与SqueezeNet + SimAM、ResNet50、EfficientNet-B0、CNN + Random Forest以及MobileNetV3 + Swin Transformer等相关研究相比，本文提出的MobileNetV2 + CA + Mid在阿拉比卡咖啡叶病害分类任务上取得更高准确率，说明轻量级架构在经过精细注意力优化后，可以优于更深更重的模型。
此外，作者还利用宏平均ROC曲线和AUC值进一步验证模型判别能力。CA + Mid的AUC达到0.9936，高于Baseline的0.9872及其他注意力变体，表明该配置在低误报条件下具有更优真阳性响应能力。
在局限性方面，论文明确指出，当前研究仍局限于阿拉比卡咖啡叶图像，尚未验证其对Robusta或Liberica等其他品种的泛化能力；同时，Phoma类别样本较少，类别分布不平衡可能影响模型对该类的敏感性；另外，自然环境中的极端光照和复杂背景虽然增强了应用真实性，但也可能影响模型在更高动态场景下的检测稳定性。
在未来方向上，讨论部分提出两条明确路径：一是将当前注意力分布策略与Attention-Guided Pruning（注意力引导剪枝）结合，以注意力权重作为冗余滤波器裁剪依据，构建更精简模型；二是探索基于Neural Architecture Search（NAS，神经架构搜索）的动态注意力插入机制，使模型自动学习最优插入位置，克服静态手工配置的限制。
论文结论部分可译述如下：
本研究得出结论，在所提出的架构中，选择性注意力分布策略明显优于全面应用策略，其中将Coordinate Attention（CA）模块集成于MobileNetV2中间层被证明是最优配置，在保持高效推理时间的同时取得94.19%的准确率。研究证实，只要在正确的空间位置执行特征加权，模型性能提升并不必然以牺牲计算效率为代价。从实际应用角度看，该模型提供了一种可在低配置移动设备上部署的技术方案，可支持阿拉比卡咖啡种植者在田间直接进行实时且准确的病害早期检测。进一步发展应优先考虑将注意力分布策略整合进结构化剪枝机制，以注意力权重强度作为裁剪冗余滤波器的主要依据，同时应探索Dynamic Neural Architecture Search（动态神经架构搜索）以自动确定各层最优注意力模块位置，并进一步研究Attention Guided Knowledge Distillation（注意力引导知识蒸馏），将深层模型中的丰富空间特征迁移至轻量化架构，从而在维持精确检测焦点的同时最大化计算效率。
