在作物生产中，植物疾病会导致显著的产量损失。因此，检测和评分病情的发生非常重要。植物病害的量化需要将叶子鉴定为单个评分单元。患病的叶子是非常动态和复杂的生物对象，在与植物病原体相互作用后，其形态和颜色不断变化。为了解决在农田中识别和分割单个叶子的任务，本研究使用无人机（UAV）、甜菜田的多光谱影像和深度实例分割网络（Mask R-CNN）。基于标准和复制粘贴图像增强技术，我们测试并比较了五种策略，以在保持标记图像数量合理的情况下实现网络的鲁棒性。此外，我们量化了环境条件对网络性能的影响。性能指标显示，记录在阳光明媚的条件下的多光谱无人机图像与在阴天、漫反射照明条件下的图像相比，平均精度（AP）下降了高达7%。在严重病害损害和阳光天气条件下的图像中，叶片检测的最低性能被发现。随后，我们在一个试验中使用 Mask R-CNN 模型，在图像处理流水线中计算基于叶子的参数，如叶面积、叶坡度、病害发生率、病害严重程度、簇的数量和平均簇面积。为了描述流行病学的发展，我们将这个流水线应用于时间序列中，该序列包含五个品种和两种杀菌剂策略。具有最高 AP 结果的模型病害严重程度与专家评估的相同参数具有最高的相关性。病害严重程度和病害发生率的时间序列发展显示了多光谱 UAV 影像对于对比品种抗性的优势以及疾病控制措施的限制。通过这项工作，我们强调了使用 UAV 影像进行自动叶片分割的关键组成部分，例如照明和疾病状态。此外，我们提供了一个工具，通过自动疾病量化成像工具提供叶片基础参数来优化作物生产。

图1 a) 现场试验，包括飞行任务、RGB合成正马赛克和图像斑块的标示； b) 按照五种策略进行数据扩充：(I)完全复制粘贴技术，(II-IV)复制粘贴和简单技术的组合，(IV)纯粹的简单技术。

图2 使用滑动窗口进行 Mask R-CNN 预测大正射影像，考虑窗口之间的15厘米重叠。

图3 通过应用叶片分割预测疾病量化参数。a） 患病植物的RGB合成，b）叶的分割，以及c）叶实例的多类像素分类和参数提取，作为健康区域（HL）、患病区域（DL）和叶内簇的数量（c）。

图4 实验测试场地两个监测日期（2021年8月17日和31日），无人机（UAV）和专家评分的置信度分数（CS）为0.50和0.75的关系。比较数据增强a）策略I和b）策略V中模型的所有地面真实值。比较地面真实值低于40%的c）策略I和d）策略V。

图5  在杀真菌剂策略和五个甜菜品种中，基于叶片的病害量化参数的发展：病害严重程度（a和b），叶面积（c和d），以及每片叶子的簇数（e和f）。

图6 基于疾病发生率（DI）的决策。a） 通过阈值化c或dsl参数来定义患病单位的标准。b） 基于c和dsl参数的不同阈值幅度开发DI曲线。c） 开发基于无人机和基于专家的参数。