面向高效农业病害评估的作物条件语义分割-慧诺瑞德（北京）科技有限公司|叶绿素荧光|光合作用|植物表型

学术中心

全部分类

面向高效农业病害评估的作物条件语义分割

发布时间：

2025-03-15

来源：

作者：

本研究引入了一种创新的作物条件语义分割架构。该架构通过合并后期分层上下文信息无缝整合了作物信息，从而使该方法可以与任何语义分割架构（包括新架构）集成。为评估此方法的有效性，作者集合了包含使用手机在田间条件下拍摄的100,000余张图像在内的数据集。该数据集包括7种作物（小麦、大麦、玉米、水稻、油菜籽、葡萄和黄瓜）的21种各个阶段的病害图像。

结果证明，结合上下文作物信息可显著提高用于植物病害检测的语义分割性能。通过利用特定于作物的元数据，与传统方法（F1 = 0.24，r = 0.68）相比，本方法在不同作物中实现了更高的准确度和更大程度的泛化（F1 = 0.68，r = 0.75）。此外，采用基于单个病株伪标记的半监督方法，对植物病害分割和程度区分体现了显著优势（F1 = 0.73，r = 0.95）。

本试验通过融合神经网络结构、上下文信息和半监督学习技术，减少对大量手动注释的依赖，提高了农业病害评估的效率和实用性。该算法的推广有可能彻底改变作物管理数据程序。通过打破语义分割和病害量化瓶颈，确保在更高可重复性基础上进行更有效、更精确的表型分析，最终助力于优化作物管理和保护策略。

图1. 作物条件病害分割架构。该解码器针对两种不同的分割任务：植物部位分割和病害分割

图2. 算法分割出的叶片、穗和茎的实例。原始RGB图像（左），算法预测的植株部分分割（中），地面真实（右）

图3. 半监督标注图像图示

图4. 病害/非病害分割模型结果示例。原始RGB图像（左），评估叶片掩膜（中），估计病害掩膜（右）

图5. 病害分割算法实例。原始RGB图像（左），算法预测的疾病分割（中），地面真实：人工标注的病害分割（右）

表1. 植物分割结果

表2. 病害分割算法结果

表3. 两种病害分割算法结果

表4. 病害分割算法结果

表5. 半监督样本对分割的影响:F1分数

来源

Artzai Picon, Itziar Eguskiza, Pablo Galan, Laura Gomez-Zamanillo, Javier Romero, Christian Klukas, Arantza Bereciartua-Perez, Mike Scharner, Ramon Navarra-Mestre,

Crop-conditional semantic segmentation for efficient agricultural disease assessment,

Artificial Intelligence in Agriculture,2025, https://doi.org/10.1016/j.aiia.2025.01.002.

编辑

JAYz

推荐新闻

石时之约|韩志国：透过表型数据，看见植物的喜怒哀乐！

本期石时之约，我们将对话慧诺瑞德（北京）科技有限公司总经理、国际植物表型学会（IPPN）执委会委员/工业分会副主席韩志国，一起从表型数据的科学角度，去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起，为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种，是在给定的环境条件下，选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种，从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选，是最耗人力物力的过程。

作物生理表型测量基础原理