水稻叶片病害严重影响现代农业，威胁作物健康和产量。准确的语义分割技术是残叶部分分割和帮助农民识别病害的关键。然而，水稻生长环境的多样性和叶片病害的复杂性带来了挑战。针对这些问题，本研究提出了一种基于Transformer架构AISOA-SSformer的水稻叶片病虫害语义分割算法。首先，利用稀疏全局更新感知器实时更新参数，提高了模型学习不规则叶特征的稳定性和准确性;其次，引入显著特征注意机制，利用空间重构模块(spatial reconstruction module，SRM)和通道重构模块(channel reconstruction module，CRM)分离和重组特征，重点提取显著特征，降低背景干扰；此外，退火积分麻雀优化算法对麻雀算法进行微调，逐步减小随机搜索幅度，使损失最小化。这提高了模型的适应性和鲁棒性，特别是对模糊边缘特征。实验结果表明，AISOA-SSformer在自制数据集上实现了83.1%的MIoU，80.3%的Dice系数和76.5%的召回率，模型大小仅为14.71 M。与其他流行的算法相比，它在水稻叶片病分割中表现出更高的准确性。该方法有效地改善了分割，为现代人工林管理提供了有价值的见解。本研究中使用的数据和代码将在https://github.com/ZhouGuoXiong/Rice-Leaf-Disease-Segmentation-Dataset-Code上开源。

图1  水稻分割中的三个问题。

图2  标签过程的例子和数据增强的标签和原始图像。

图3  AISOA-SSformer结构图。

图4  不同类型注意的注意图比较。

图5  不同优化器和网络的验证损耗曲线。

图6 不同网络的分割结果示例。

图7  疾病分割系统原理图及系统演示示例。

图8  200个训练样本下未知数据集分割的视觉比较。