基于CLIP多模态模型的番茄病害识别系统：五种视觉编码器的综合对比研究
摘要
随着人工智能在农业领域的深入应用，基于深度学习的植物病害识别技术已成为智慧农业的重要组成部分。本文提出了一种基于CLIP（Contrastive Language-Image Pre-training）多模态架构的番茄病害识别系统，并系统性地比较了五种视觉编码器（Vision Transformer、EfficientNet、DenseNet、ResNet50和Swin Transformer）在该任务上的性能表现。通过设计端到端的对比学习框架，我们实现了视觉特征与文本描述的联合嵌入，从而构建了一个能够理解自然语言描述的番茄病害识别系统。实验结果表明，基于Swin Transformer的CLIP模型在番茄病害识别任务上取得了最佳性能，F1-score达到96.7%，同时保持了较高的推理效率。本研究为农业病害识别提供了多模态解决方案，并对不同视觉编码器在农业领域的应用特性进行了深入分析。
关键词：CLIP模型；多模态学习；番茄病害识别；视觉编码器；对比学习
1. 引言
1.1 研究背景
番茄是全球最重要的经济作物之一，但其生长过程中容易受到多种病害的侵袭，如早疫病、晚疫病、叶霉病等。传统病害识别方法主要依赖农业专家的目视检查，存在效率低、成本高、主观性强等问题。近年来，基于深度学习的图像识别技术为植物病害自动诊断提供了新的解决方案。
然而，现有的大多数病害识别系统存在以下局限性：1）严重依赖大规
