稻田害虫识别不再只给一个类别：多尺度注意力把准确率推到97.83%，区块链把每条记录钉死
核心概要
稻田害虫管理系统AgriMind-PestGuard把三件事接在一起：多尺度注意力卷积网络识别14种主要害虫，Grad-CAM-HCA把判定落到昆虫学概念上，Hyperledger Fabric把检测记录、用药建议和合规记录写成不可篡改的账本。在自建58400张田间图像上，分类准确率97.83%，高于最强基线EfficientNetV2-S的96.38%；解释的忠实度0.91，三位昆虫学家对概念归因的认同率93.7%。12个稻田的田间试验中，农药使用量比常规做法减少34.2%，产量提高8.7%。
深度剖析
稻田害虫识别现在同时给出类别、可核对的判定依据和不可篡改的记录，而不只是一个分类标签。 此前的深度学习害虫识别系统只追求分类准确率，判定过程不透明，集中式数据库里的监测数据也容易被篡改。 在自建AMPG-58K测试集上，完整MSA-CNN取得97.83%准确率，比最强基线EfficientNetV2-S的96.38%高1.45个百分点，McNemar检验p<0.001。
识别网络靠多尺度特征融合和通道—空间双重注意力，把不同体型害虫的判别特征分开处理。 标准特征金字塔只用简单的横向连接聚合多尺度特征，不区分哪些尺度对害虫判别更有用。 消融实验显示，害虫感知特征金字塔单独带来+1.29%准确率，通道—空间双重注意力单独带来+1.59%，两者合用+1.91%，再加复合损失函数共+2.21%。
解释模块把像素级显著图映射到昆虫学概念，让农户和昆虫学家看到模型依据的是翅脉、体形还是触角。 此前的可解释方法停留在低层像素归因，没有落到昆虫学概念上。 在500张随机测试图像上，Grad-CAM-HCA忠实度0.91、概念认同率93.7%，高于Score-CAM的0.83和85.1%。
区块链层把每次检测、用药建议和合规记录写成带签名的账本条目，监管方可以逐条核验。 此前的农业区块链工作多停留在供应链追溯或概念框架，没有与AI害虫识别系统实际集成并评测。 Hyperledger Fabric v2.4网络在200个客户端、1500 TPS发送速率下达到1247 TPS吞吐和0.83秒平均延迟，发送速率升到2000 TPS时吞吐峰值为1312 TPS，每1000条记录存储开销3.05 MB。
启示与展望
这套系统在14种主要稻田害虫、58400张田间图像上完成训练与测试，并在三个农业气候区的12个稻田做了2023年Kharif季田间试验，覆盖热带、亚热带和温带条件。跨数据集评测在IP102的8个水稻相关类别和Dhan-Pest上进行，说明模型在换数据集后仍保持领先。部署侧给出从服务器A100到Jetson Nano、树莓派加Coral TPU和手机NNAPI的推理与解释耗时，边缘设备上单次总耗时从62.8毫秒到376.9毫秒不等。
系统目前只覆盖14种主要稻田害虫，扩展到益虫和病害媒介仍在计划中。极端光照条件（夜间、大雨）下准确率下降约5%。概念归因模块依赖专家标注的概念掩码，标注工作量大，弱监督概念发现仍在探索。高分辨率图像不适合长期上链，系统只存哈希，原图放在链下IPFS。区块链吞吐在发送速率超过2000 TPS后开始下降。