基于ConvNeXt V2的大豆病害图像识别：架构解析与完整实战摘要大豆病害的及时识别对保障产量至关重要，但田间复杂背景和病害早期症状的细微性给自动化识别带来显著挑战。ConvNeXt V2通过协同设计全卷积掩码自编码器（FCMAE）与全局响应归一化（GRN）层，在纯卷积架构上实现了与Transformer相竞争的表征能力。本文系统解析ConvNeXt V2的架构原理，基于五类大豆叶片病害数据集构建完整的识别流程，涵盖数据增强策略、模型微调、训练监控与评估分析，并提供可直接运行的PyTorch代码。关键词：大豆病害识别；ConvNeXt V2；全局响应归一化；掩码自编码器；深度学习1 引言大豆是全球重要的粮油兼用作物，但其生产过程中频繁遭受细菌性斑点病、灰斑病、大豆锈病、突发性死亡综合征等多种叶部病害的威胁。亚洲大豆锈病在严重流行条件下可导致高达80%的产量损失。传统病害诊断依赖植保人员的经验判断，不仅效率低下，且在病害早期症状尚未充分显现时极易误判。深度学习为植物病害的自动化识别开辟了新路径。卷积神经网络（CNN）凭借局部感受野和权重共享机制，在叶片病斑特征提取方面展现出天然优势。然而，以ConvNeXt为代表的现代CNN在架构设计上大量借鉴了Vision Transformer的思想，其有监督训练范式却未能充分利用自监督预训练的潜力。ConvNeXt V2通过FCMAE框架与GRN层的协同设计，使纯卷积网络在掩码自编码器预训练下摆脱了特征坍塌的困境，在ImageNet分类上显著超越了前代模型。