欧亚国际

番茄的大多数病害都由叶部开始发病，接着蔓延到整个植株。基于深度学习的目标检测技术能够识别病害的类别同时定位发病区域的准确位置。但当前番茄叶片病害检测过程中存在几个问题：（a）类内差异性。由于不同病斑发病时的环境不同，同种病害往往呈现出不同的病理状态。这使得检测网络容易忽略这样的混合特征。（b）泥土背景干扰。真实环境中，番茄的土壤环境往往与某些病害有着相似的颜色特征。当病斑处于叶片偏中间位置时，邻近健康部分的信息参考减少了背景的干扰。但当病斑发生于叶片边缘时，这样的参考信息会缺失。这样的情况下，泥土背景的干扰往往导致检测网络产生误判。（c）类间相似性。大量的研究已经探讨了利用生物形态（形状和结构）来区分不同类别的基本可行性，但这往往是对类别差异较为显著时有效。某些类别的病害在颜色、纹理、形状等特征上存在着极为相似的特点。这些微小差异给检测带来了巨大的挑战。

2023年5月， Plant Phenomics 在线发表了中南林业科技大学周国雄教授团队题为A Precise Image-Based Tomato Leaf Disease Detection Approach Using PLPNet 的研究论文。

图1 番茄叶片病害检测存在的一些问题

针对番茄叶片病害检测存在的问题，提出了基于YOLOX-S的番茄叶片病害目标检测方法PLPNet。它的网络模型结构如图3(a)所示。在特征提取阶段，我们提出了PAC，并将其替换骨干网络中CSPLayer的所有普通卷积。构造的PAC-CSPLayer用以提取更丰富的病害特征，提高网络的全局感受能力。在特征信息进入融合阶段前，我们提出了LRAM并把它添加到骨干网络与金字塔结构的连接处。它减少无关信息进入特征融合阶段带来的误差。在特征融合阶段，本文提出了SD-PFAN，该结构能够更好地融合不同骨干网络层的特征信息。它为网络后续的检测阶段提供更好的分类和检测建议。

图3 PLPNet的网络结构图

本文创新点如下：a.提出了一种感知自适应卷积(Perceptual Adaptive Convolution, PAC)。该模块能够根据病害区域的特点调整不同卷积核的比重，从而提取更多的病害信息。这增强了网络对目标周围信息的关联能力，对多重性状的病害具有很好的效果。b.提出了一种综合空间和通道信息的位置强化注意力机制 (locations Reinforcement Attention Mechanism, LRAM)。该机制利用水平和垂直特征向量对病害的目标区域赋予了更大的权重。这不仅有效定位了边缘病害，也过滤了泥土等背景信息特征干扰。c.提出了一种邻近特征聚合金字塔 (Proximity Feature Aggregation Network with Switchable Atrous Convolution and Deconvolution, SD-PFAN)。首先，采用SAC复用细微特征信息。然后，通过Deconvolution将低层信息逆映射到高层特征层。最后，通过邻近特征聚合网络对特征图的浅层视觉信息和深层语义信息进行融合。该结构有效融合了细微的区分特征，极大提升了病害检测的精度。

该研究由中南林业科技大学、国防科学技术大学、爱达荷大学、湖南省植物保护研究所合作完成。中南林业科技大学唐智文为该文第一作者，周国雄为该文通讯作者。相关工作得到长沙市自然科学基金、国家自然科学基金等资助。

周国雄 教授

论文链接：

http://doi.org/10.34133/plantphenomics.0042

论文数据及代码下载：

http://github.com/ZhouGuoXiong/PLPNet

——推荐阅读——

Self-Supervised Plant Phenotyping by Combining Domain Adaptation with 3D Plant Model Simulations: Application to Wheat Leaf Counting at Seedling Stage

http://doi.org/10.34133/plantphenomics.0041

Plant Phenomics | 虚拟图像“以假乱真”，无需人工标注，自监督创建小麦表型算法

Multispectral Drone Imagery and SRGAN for Rapid Phenotypic Mapping of Individual Chinese Cabbage Plants 

‍http://doi.org/10.34133/plantphenomics.0007

Plant Phenomics | 基于无人机多光谱图像和SRGAN的大白菜单株表型测定研究

加入作者交流群