茶叶在其生长周期中面临着红叶斑病、藻斑病、炭疽病等多种病害的威胁，手工检查方法难以实现精确识别，导致错过最佳的干预时机。针对这一难题，本研究提出了一种结合自监督学习和信息熵加权机制的Transformer神经网络模型：首先对训练数据集中的每张茶叶图像进行75%的随机掩膜处理，利用自监督学习范式从未遮盖的区域提取特征，并精确预测被遮盖区域的信息；基于此过程得到的预训练模型，采用迁移学习方法构建茶叶病害检测模型，通过增加信息熵加权策略，有效增强了模型对图像中最重要信息区域的关注度，从而大幅提升了茶叶病害识别的准确性。实验证明，即使是在有限的数据集上训练，检测模型仍能实现93.7%的检测精度，显著超越了ResNet18、VGG16、VGG19主流深度学习算法。此外，本研究提出的模型还展现了出色的适应性和迁移能力，意味着其同样适用于其他作物病害的预警系统。
(8.0+极速模式)