欧亚国际

水稻叶病害严重影响现代农业，威胁着作物健康和产量。准确的语义分割技术对于分割患病叶片部分和帮助农民识别病害至关重要。然而，当前水稻叶病分割过程中存在三个主要挑战：（1）水稻叶病图像中形状不规则的斑点病叶往往具有复杂的纹理和形状。这种复杂性使得分割模型难以准确识别和分离，从而影响其精度。（2）杂乱的背景元素，例如其他植物、土壤或杂草，会干扰模型的判断。这种干扰可能导致误将背景噪声或无关元素识别为患病区域，从而导致错误分割。（3）患病图像中的边缘模糊问题会严重影响分割网络的性能。有时，这个问题会导致分割结果出现错误，例如将健康叶片区域错误标记为患病。

2024年8月，Plant Phenomics 在线发表了中南林业科技大学周国雄教授团队题为AISOA-SSformer: An effective image segmentation method for rice leaf disease based on Transformer architecture 的研究论文。

通过解决这些问题，我们可以增加模型对大量标记数据训练的稳定性，同时显著提高水稻叶片病害分割的效率和准确性，从而更有效地应对农业生产中的实际挑战。

图1 水稻叶片病害分割的问题示例

针对稻叶病害分割的挑战，本文提出了一种名为 AISOA-SSformer 的新模型，它集成了三个创新点来提升模型性能和稳定性。首先，引入稀疏全局更新感知器 （SGUP） 动态调整权重，提高模型识别不规则病害特征的稳定性。其次，引入显著特征注意力机制（SFAM）利用空间重建模块（SRM）和通道重建模块 （CRM）降低背景干扰，让模型更精准分割病害区域。最后，采用退火集成麻雀优化算法（AISOA）帮助模型跳出局部最优，提升模糊边界特征识别能力。这三个技术的结合显著提升了模型在复杂场景下的分割性能。

图2 提出的AISOA-SSformer模型的网络结构图

创新点如下：

(1) 为了使语义分割网络获得丰富的水稻叶片病害特征，我们构建了一个包含通病和褐斑病的精确标注数据集。利用 Labelme 软件对数据集中的所有病害区域进行标注，并生成标注图。

(2) 针对上述问题，我们提出了一个名为 AISOA-SSformer 的新模型，该模型集成了三个创新改进点，以提高模型的性能和稳定性。首先，该模型引入了一个名为“稀疏全局更新感知器（SGUP）”的线性嵌入层，结合指数移动平均法（EMA）和加权移动平均法（WMA），通过动态调整权重，提高模型识别不规则病害特征的稳定性。其次，我们开发了一种新颖的注意力显著特征关注机制（SFAM），利用空间重构模块（SRM）和通道重构模块（CRM）降低背景干扰，提高病害区域分割精度。最后，我们引入了一种新的优化算法--退火集成麻雀优化算法（AISOA），帮助模型避免陷入局部最优，增强对模糊边界特征的识别，提高训练过程稳定性和模型鲁棒性。

(3) 本文提出的基于 Segformer 的 AISOA-SSformer 在自建数据集上获得了 83.1% 的 MIoU 和 80.3% 的 Dice Coefficient。该方法能有效提取背景复杂、形状不规则的水稻叶病特征。对于边缘模糊的水稻叶部病害，该方法也能有效区分和分割。总之，该方法能够准确地分割水稻叶部病害，为水稻大规模生产中的病害防治提供参考。

论文链接：

‍http://doi.org/10.34133/plantphenomics.0218‍

——推荐阅读——

A precise framework for rice leaf disease image-text retrievals using FHTW-Net 

http://doi.org/10.34133/plantphenomics.0168

Plant Phenomics | 中南林业科技大学周国雄教授团队基于FHTW-Net的水稻叶片病害图文检索精确框架

Grain Protein Content Phenotyping in Rice via Hyperspectral Imaging Technology and a Genome-Wide Association Study

http://doi.org/10.34133/plantphenomics.0200

Plant Phenomics | 南京农业大学联合江苏省农业科学院基于成像高光谱技术和GWAS分析的水稻籽粒蛋白质含量表型研究

加入作者交流群