欧亚国际

在番茄叶片病害检测中，现有模型严重依赖大量标记数据进行训练，并且只能识别训练集中存在的疾病类型。当遇到未知疾病时，通常需要额外的数据标注和再训练，这不仅耗时费力，而且在标注过程中难以消除偏见。因此，减少模型对大量标记数据的依赖，增强其对新型病虫害的快速识别能力，对于提高检测效率和减少损失至关重要。然而，在解决标记数据的依赖问题时也要考虑番茄叶片病害检测过程中存在几个主要问题：（1）类内变异与类间相似性：即使是同一种疾病，由于不同的发展阶段和环境条件，番茄叶片可能表现出不同的特征（如颜色、质地和形状），导致类内变异显著。而不同种类的疾病可能具有相似的特征，增加了检测的复杂性。（2）背景干扰问题：在实际环境中，番茄叶片常与土壤、光照等背景因素混杂，特别是当病害发生在叶缘时，背景干扰更加严重。这些干扰信息使得候选边界框不够精确，影响疾病的识别和定位。（3）适应性优化：由于番茄叶病数据相对稀缺，模型在训练过程中可能表现出缓慢收敛、次优检测性能、过度拟合及对噪声敏感等问题。这不仅影响模型的实际应用效果，还增加了计算成本。

通过解决这些问题，我们可以减少模型对大量标记数据的依赖，同时显著提升番茄叶片病害检测的效率和准确性，从而更有效地应对农业生产中的实际挑战。

图1 番茄叶片病害识别的问题示例

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A Multi-Modal Open Object Detection Model for Tomato Leaf Diseases with Strong Generalization Performance Using PDC-VLD 的研究论文。

为克服当前番茄叶片病害目标检测模型的局限性和相关问题，我们专注于六种常见的番茄叶片病害。我们将开放词汇检测技术引入番茄叶片病害目标检测领域，并提出了PDC-VLD，这是一个用于番茄叶片病害开放词汇目标检测的框架。为了解决目标检测过程中的挑战，我们开发了一种渐进视觉变换-卷积金字塔模块(PVT-C)，该模块有效提取番茄叶片病害特征，并使用自监督学习算法DINO优化锚盒定位，抑制不相关背景的干扰。然后，采用上下文特征引导模块(CFG)来解决模型在数据稀缺环境下的适应性和识别精度较低的问题。

图3 提出的PDC-VLD模型的网络结构图

本文创新点如下：

(1) 首次将OVD技术应用于番茄叶病检测。该方法利用VLDet框架，直接从图像-文本对数据中学习，通过将一组图像区域特征与一组词嵌入相匹配，将对象与语言对齐，从而识别未知疾病。

(2) 我们提出渐进收缩视觉变压器-卷积金字塔模块，它结合了金字塔结构VTs的层次特性和卷积投影的局部敏感性。这种增强了模型捕捉局部和全文空间背景的能力，从而更有效地提取细粒度疾病相关特征。

(3) VLDet框架结合了一种新的基于DINO的番茄叶病锚盒校准策略。DINO的双重前向预测方案和混合查询选择机制减少了冗余预测，有效地去除了图像中分散注意力的背景元素，提高了最终预测的准确性和可靠性。

(4) 采用基于CNN的局部特征指导(CFG)方法对番茄叶片病害进行自适应优化。该方法首次在VLDet框架中应用，利用CFG模块指导变压器网络更有效地学习和捕获分层信息。这简化了知识转移和网络训练过程，提高了叶片病害检测的性能。

该研究由中南林业科技大学、内蒙古农业大学、内蒙古大学、爱达荷大学、湖南省植物保护研究所合作完成。中南林业科技大学李锦阳为该文第一作者，周国雄教授为该文通讯作者。相关工作得到长沙市自然科学基金、国家自然科学基金等资助。

论文链接：

http://doi.org/10.34133/plantphenomics.0220

——推荐阅读——

Recognition and Localization of Maize Leaf and Stalk Trajectories in RGB Images Based on Point-Line Net 

http://doi.org/10.34133/plantphenomics.0199

Plant Phenomics | Point-Line Net：一种自上而下的田间玉米叶脉生长轨迹检测模型

From Laboratory to Field: Unsupervised Domain Adaptation for Plant Disease Recognition in the Wild

‍http://doi.org/10.34133/plantphenomics.0038

Plant Phenomics | 从实验室到田间：野外植物病害识别的无监督域适应

加入作者交流群