用于自然田间场景下植物病害严重程度快速自动估计的分割网络-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

用于自然田间场景下植物病害严重程度快速自动估计的分割网络

发布时间：

2025-05-23

来源：

作者：

植物病害图像的分割使研究人员能够定量测定叶片上病斑所占比例，即病害严重程度。目前，大多数深度学习方法主要针对单一病害、简单病斑或实验室控制环境展开研究。本研究中，我们构建并公开发布了三种病害在田间场景下的图像数据集，分别为大豆细菌性枯萎病（SBB）、小麦条锈病（WSR）和雪松苹果锈病（CAR）。基于LinkNet框架，并以ResNet-18作为编码器，我们开发了植物病害分割网络（PDSNets），共包含三个版本：×1.0、×0.75 和 ×0.5。其中，×1.0版本引入了4×4嵌入层以提升预测速度，而×0.75和×0.5版本则为轻量化变体，在相同架构下减少了通道数，其参数量分别为11.53M、6.50M和2.90M。PDSNet×0.5在分割任务中达到了91.96%的整体F1得分、85.85%的交并比（IoU），在病害严重程度估计上，其决定系数（R²）为0.908。在本地中央处理单元（CPU）上，PDSNet×0.5的预测速度达到了每秒34.18幅（640×640像素）的图像，比LinkNet快2.66倍。我们的工作为田间场景下植物病害严重程度的评估提供了一种高效自动化的方法。

图1 病害图像的三色标注及参考严重程度分布。标注中的黑色、灰色和白色分别表示背景（B）、健康叶片（H）和病斑（S）。病害严重程度按照以下公式计算：白色像素数 × 100 /（白色像素数 + 灰色像素数）。

图2 植物病害分割网络（PDSNets）的结构。空间尺寸定义为特征图的高度（宽度）与输入图像的高度（宽度）之间的比例。

图3 传统田间场景下的分割示例。百分比表示病害严重程度，计算方式为：白色像素数 × 100 /（白色像素数 + 灰色像素数）。

图4 复杂田间场景下的分割示例（包含多片叶片、反射和阴影）。百分比表示病害严重程度，计算方式为：白色像素数 × 100 /（白色像素数 + 灰色像素数）。

图5 PDSNet×1.0 在交叉熵损失与加权交叉熵损失下的比较。

图6 网络在田间与实验室场景下的泛化能力测试结果。DLv3+ 为 DeepLabv3+（ResNet-18）的缩写。

图7 大豆细菌性枯萎病的严重程度估计结果。虚线表示线性回归线，实线表示最佳拟合线。

图8小麦条锈病的严重程度估计结果。虚线表示线性回归线，实线表示最佳拟合线。

图9雪松苹果锈病的严重程度估计结果。虚线表示线性回归线，实线表示最佳拟合线。

来源

Zhao C, Li C, Wang X, et al. Plant Disease Segmentation Networks for Fast Automatic Severity Estimation Under Natural Field Scenarios[J]. Agriculture, 2025, 15(6): 583.

https://doi.org/10.3390/agriculture15060583

编辑

王永贤

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

生理表型测量的核心在于“早、快”，要在肉眼可见之前就能测量并预判出变化趋势，才是这个技术的核心价值。叶绿素荧光成像，恰好满足了这个要求。