行为疼痛指标量表-脑损伤版（ESCID-DC）的开发和心理测量验证：用于评估无法自我报告且使用人工气道的重症脑损伤患者的疼痛情况

《Enfermería Intensiva (English ed.)》：Development and psychometric validation of the Behavioral Indicators of Pain Scale-Brain Injury (ESCID-DC) for pain assessment in critically ill patients with acquired brain injury, unable to self-report and with artificial airway

　　针对当前水稻病害识别深度学习方法在局部与全局特征整合不足的问题，提出IMobileTransformer模型，结合MobileNetV3的轻量化和局部特征提取与Transformer的全局依赖建模能力，构建三分支架构，实现水稻病害识别准确率99.62%，显著优于MobileNetV3、EfficientNet等经典模型。

　　稻米是全球重要的粮食作物之一，其种植过程受到多种病害的严重威胁。其中，稻瘟病、稻壳枯、叶枯病、细菌性叶枯病以及褐斑病等病害，不仅影响作物的正常生长，还导致产量大幅下降，给农业生产带来巨大的经济损失。因此，准确识别稻米病害对于采取有效的防治措施、提高生产效率以及保障粮食安全具有重要意义。

近年来，深度学习技术，尤其是卷积神经网络（CNN）和Transformer，已经成为智能农业领域的主流方法。这些技术在稻米病害识别方面取得了显著进展，有效提升了识别的准确性和效率。CNN因其在局部特征提取方面的优势，广泛应用于病害识别任务中。例如，有研究者提出了一种结合ECA注意力机制的MobileNetV3 Small模型，用于轻量级的稻米病害检测，实现了97.47%的识别准确率，并将参数数量减少了26.69%。此外，也有研究利用DenseNet121、MobileNetV2、ResNet152V、SeresNext101等模型进行稻米病害识别，其中某些模型在九种常见稻米病害数据集上达到了98%的识别准确率。

然而，尽管CNN在局部特征提取方面表现优异，其在捕捉全局上下文信息方面仍存在局限性，这在复杂的农业环境中可能影响识别效果。相比之下，Transformer模型通过注意力机制能够建立长距离依赖关系，从而更好地理解整个叶片结构中的病害分布模式。然而，Transformer模型的独立应用往往忽略了对病害进行细粒度病理区分所需的病变细节，这在微动作识别任务中也出现了类似的问题，例如在区分“触摸颈部”和“触摸肩膀”等动作时，存在视觉上的细微差异，难以准确识别。

为了解决上述问题，本研究提出了一种改进的MobileTransformer（IMobileTransformer）模型，该模型融合了MobileNetV3的局部特征提取能力和Transformer的全局依赖建模优势。IMobileTransformer通过创新的三分支架构和特征融合策略，充分整合了局部和全局特征，从而显著提升了病害识别的准确率。在相同的实验条件下，该模型在自建的稻米病害数据集上达到了99.62%的识别准确率，比传统模型如MobileNetV3-Large、 EfficientNet-B0、 Vision Transformer Base/16（ViT-B/16）、 Shifted Window Transformer（Swin-Transformer）、 Tiny Vision Transformer（TinyViT）、 Mobile Vision Transformer（MobileViT）以及LocalViT-S分别提高了1.71%、0.91%、38.09%、4.17%、1.99%、1.5%和0.42%。这些结果表明，IMobileTransformer在稻米病害识别任务中提供了一种有效的解决方案。

在模型设计方面，IMobileTransformer由三个主要功能分支组成。第一，MobileNet分支采用倒置残差结构和深度可分离卷积层，以减少参数和计算复杂度。这种结构使得模型在保持高效的同时，能够更好地提取病变区域的局部特征。第二，Transformer分支基于Swin-Transformer架构进行了改进，其中多层感知机（MLP）层通过Inception风格的结构对输入特征通道进行分割，从而在维持全局特征提取效率的同时，降低计算负担。第三，特征融合分支通过通道堆叠的方式，将两个分支的重塑输出进行拼接，实现了局部和全局特征的有效整合。

在实验设置方面，本研究使用了一台配置为双Intel(R) Xeon(R) Gold 6326 CPU（2.90 GHz）、1024 GB DDR4 RAM和NVIDIA A100 Tensor Core GPU（80 GB VRAM）的计算平台，该平台基于Ubuntu 23.04操作系统运行。模型的训练和推理过程通过PyTorch 2.0.1框架进行管理，该框架与Python 3.9.19版本集成，确保了代码的高效执行和模型的稳定性。

在数据集构建方面，本研究的数据集包括六个类别：稻瘟病、稻壳枯、叶枯病、细菌性叶枯病、褐斑病以及健康稻叶。数据集中的图像总数为13,192张，涵盖了五种病害和健康叶片。这些图像来源于水稻种植过程中的实际采集，确保了数据的真实性和多样性。数据集的构建过程包括数据清洗、标注以及增强，以提高模型的泛化能力和识别准确率。

在模型的识别性能方面，IMobileTransformer在训练和测试过程中表现出良好的收敛性和泛化能力。其准确率和损失曲线如图8所示，显示随着训练轮次的增加，训练和测试准确率持续上升，而损失值则逐渐下降。在最初的10个轮次中，曲线出现了较大的波动，这反映了模型在学习判别性病害特征方面的快速进展。此外，模型在不同数据集上的表现稳定，能够有效应对病害图像中的复杂变化。

本研究的创新点主要体现在以下几个方面：首先，设计了一种改进的Inception风格的MLP模块，通过减少MLP层的参数数量，降低了全连接层的参数总量，同时增强了原始特征表示能力。其次，提出了一种新的特征融合单元，并构建了一个三分支拓扑结构，包括专注于病变细节提取的MobileNet分支、解码叶片尺度病理依赖关系的Transformer分支以及整合多源特征的特征融合分支。最后，通过实验验证，IMobileTransformer在相同的实验条件下，实现了99.62%的识别准确率，优于传统模型，展示了其在稻米病害识别任务中的优越性。

此外，本研究还对模型的各个组成部分进行了详细的分析。例如，在MobileNetV3部分，该模型采用深度可分离卷积技术，通过深度卷积（DW Conv）和点卷积（PW Conv）两个阶段来优化计算资源，提高图像处理效率。深度可分离卷积技术不仅减少了参数数量，还降低了计算复杂度，使得模型在保持高效的同时，能够准确提取病变区域的局部特征。

在IMobileTransformer部分，研究者通过分析稻米病害图像，发现某些病害的病变区域通常较小，表现出局部的椭圆形或拉长的纹理和颜色差异。对于这些细粒度的局部特征，CNN能够更好地捕捉细节。而另一些病害在图像中表现出更广泛的分布，如整体叶片变色或大规模病斑，更适合由Transformer来捕捉全局特征。因此，IMobileTransformer通过结合CNN和Transformer的优势，实现了对局部和全局特征的全面提取和整合。

在实验结果方面，本研究的模型在多个指标上均表现出色。除了识别准确率之外，模型还具有较高的召回率和精确率，能够有效识别病害图像中的不同类别。此外，模型的训练速度和推理效率也得到了显著提升，这在实际应用中具有重要意义。由于稻米病害识别任务通常需要在有限的计算资源下进行，因此模型的轻量化设计和高效计算能力使其在农业场景中具有广泛的应用前景。

本研究的结论表明，IMobileTransformer模型在稻米病害识别任务中展现出了优异的性能。通过其创新的三分支架构和特征融合策略，该模型能够充分利用局部和全局特征，从而显著提高识别准确率。与传统的CNN、Transformer以及CNN-Transformer混合架构相比，IMobileTransformer在多个指标上均取得了更好的表现，特别是在识别细粒度病害特征和全局病害分布方面。这些结果为稻米病害的自动识别和智能防治提供了有力的技术支持。

最后，本研究还明确了作者的贡献。Yang Lu负责撰写原始稿件、软件开发和研究调查；Haoyang Zhou负责监督研究、资金获取和概念设计；Peng Wang负责撰写和编辑、项目管理以及方法论；Erzhi Wang负责可视化和形式分析；Gongfa Li负责验证；Tongjian Yu负责验证和研究调查。此外，本研究声明不存在与文章发表相关的利益冲突。本研究得到了中国国家自然科学基金（项目编号62476081）、中国黑龙江省自然科学基金（项目编号LH2024F048）以及武汉科技大学中国教育部重点实验室开放基金（项目编号MECOF2023B03）的支持。

综上所述，本研究提出了一种改进的MobileTransformer模型，通过融合MobileNet和Transformer的优势，有效解决了稻米病害识别中的局部与全局特征提取问题。该模型在自建数据集上取得了优异的识别效果，为智能农业领域的病害识别提供了新的思路和技术支持。未来，随着深度学习技术的不断发展和优化，IMobileTransformer模型有望在更广泛的农业应用场景中得到应用，进一步提高病害识别的准确率和效率，为保障粮食安全做出更大的贡献。