有害昆虫和植物疾病威胁着食品质量和粮食安全，对这些病害的早期预警是非常有效的预防措施。由于机器学习的迅速发展，植物病害检测与分类是一个非常热门的研究领域。在过去的十年中，计算机视觉研究人员提出了不同的基于机器学习的植物病害识别算法。本文使用基于语义分割(SS)的深度卷积神经网络，提出了一种用于植物病害识别的端到端语义叶片分割模型。该算法突出了病变和健康部位，并对影响特定植物叶片的十种不同疾病进行分类。该模型通过SS成功地突出了前景(叶)和背景(非叶)区域，将区域识别为健康和疾病部分。由于所提出的方法为每个像素提供了语义标签，因此还估计了特定叶片的因疾病而受到影响的面积大小的相关信息。在本研究工作中，使用番茄植物叶子作为测试案例。在公共数据库Plant Village上测试了所提出的基于CNN的模型。此外还收集了两万张图像的数据集，并测试了框架。本文提出的模型获得了97.6%的平均准确率，这表明与以前的结果相比，在相同数据集上的性能有了显著改善。

　　图1 PlantVillage数据库中的样本图像

　　图2特征提取模块

　　图3 使用Adam优化器，通过训练和验证集获得精度和损失变化

　　图4实验中使用的一些样本图像：第1列显示原始图像，第2列显示地面真实数据，第3列显示使用所提出的SLS方法的分割图像

　　来源：Khan, K., Khan, R.U., Albattah, W. et al. End-to-End Semantic Leaf Segmentation Framework for Plants Disease Classification. Complexity, 2022.

　　编辑：张玉