苹果叶片病害会严重影响苹果的产能和品质,精准识别病害对于有效防治和减少损失具有重要意义。苹果叶片病斑大小不一且在叶片上的分布位置复杂多样,同时还受到自然环境中的复杂背景干扰,导致叶片病害难以识别、准确率低等问题。基于此,本文提出了一个基于注意力机制改进EfficientNetV2的苹果叶片病害识别模型(Efficient-BEANet)。首先,本研究提出了一种高速双通道归一化(BCET)方法,建立了批归一化(batch normalization, BN)和层归一化(layer normalization, LN)方法之间的联系,使模型能够融合多个尺度的特征信息,进而改善小病斑识别困难的问题,同时将该模型与增强线性变换相结合,以加快模型的收敛速度。此外,通过设计多尺度共享注意力机制(ESCA),建立空间和通道2个维度特征之间的相关性,通过自动学习病害的特征,增强重要特征表示,对出现病斑的区域进行重点关注。最后,通过提取多层次共享的通道特征,自适应地为重要特征分配更大的权重,并抑制与病害无关的信息,以期有效改善因病斑不规则的空间分布以及复杂背景干扰而造成的误检漏检问题。结果表明,改进后的模型在验证集上的准确率达到93.32%,相较于原模型提升3.49百分点,适用于对苹果叶片病害的识别。