欧亚国际

深度学习和计算机视觉的组合是已成为一种高效智能的植物表型分析手段。在植物病害胁迫检测领域，大多数已发表的研究都集中在图像级别的疾病分类上。本文研究了基于深度学习的植物病斑分割方法，提取像素级病损相关表型特征。首先，收集植物病叶图像数据集，并提供相应的图像级标注（病叶/健康叶片）和像素级标注（病斑像素区域）。其中，苹果叶样本数据集用于模型训练和优化，葡萄叶片和草莓叶样本被用作额外的测试数据集。而后，研究了基于全监督卷积神经网络的语义分割方法，分割叶片表面的病害损伤区域。探究了弱监督深度学习算法用于植物叶片病斑分割的可能性，通过提供“健康”、“染病”两种简单的人工标签训练模型，利用“染病”类别相关的神经元权重和梯度构建与“染病”类别高度相关的特征图，通过超绿特征提取、自适应阈值分割步骤得到精炼的病斑分割结果，并对比了基于全监督学习、弱监督学习及小样本学习的语义分割方法的分割精度和普适性。

2022年12月，Plant Phenomics在线发表了南京林业大学题为Phenotypic Analysis of Diseased Plant Leaves Using Supervised and Weakly Supervised Deep Learning的研究论文。

文中将Grad-CAM算法与二分类ResNet-50网络的结合定义为ResNet-CAM，作为基准模型；将Grad-CAM与小样本预训练的U-Net二分类器的结合用于弱监督叶斑分割（定义为WSLSS，模型结构见图1），探索提升分割精度的可能性。提出的弱监督学习模型均只使用图像级标注（病叶/健康叶片）进行训练，以降低人工图像标注、训练计算的成本和复杂度。

图1基于弱监督学习的叶片病斑分割模型

研究结果表明：在苹果叶片病斑分割数据集上，基于全监督学习的DeepLab模型达到了最佳的分割性能，分割交并比IoU=0.829。弱监督模式的WSLSS算法的精度为IoU=0.434。在处理额外测试数据集时，WSLSS实现了最佳的性能，IoU=0.511，高于全监督学习模式训练的DeepLab模型（IoU=0.458）。不同模型对苹果、葡萄、草莓叶片进行病斑分割的结果见图2，图3。尽管全监督模型和弱监督模型在处理单一品种叶片数据集（苹果叶片）的IoU存在一定差距，但在处理模型训练过程未涉及的叶片及病害类型时，弱监督模型WSLSS表现出比全监督模型更强的泛化能力。此外，本文涉及的带有人工标签数据集已公开（原文中可查看下载链接），可供研究人员检验设计的新的病斑分割方法。

图2 WSLSS方法对苹果叶片进行病斑分割的结果示例

图3不同模型对葡萄和草莓叶片进行病斑分割的结果示例

该论文第一作者为南京林业大学教师周磊，主要研究方向为基于深度学习的植物表型分析技术。通讯作者为湖州师范学院张初副教授，研究方向为植物高通量表型分析技术与方法、农产品品质无损检测以及智能信息处理。

论文链接：

http://doi/10.34133/plantphenomics.002‍2

——推荐阅读——

Semi-Self-Supervised Learning for Semantic Segmentation in Images with Dense Patterns

http://doi.org/10.34133/plantphenomics.0025

Plant Phenomics | 密集模式下图像语义分割的半自监督学习

From Prototype to Inference: A Pipeline to Apply Deep Learning in Sorghum Panicle Detection 

http://doi.org/10.34133/plantphenomics.0017

Plant Phenomics | 从原型到推理：深度学习在高粱穗部检测中的应用

加入作者交流群