欧亚国际

番茄现在已经在全世界各地被广泛种植，但在其生长过程中不可避免地会产生各种病虫害。除了番茄果实上的病害，番茄叶片上的病害对番茄而言同样也是一种威胁。若是防治不及时，将会导致减产甚至绝收。人们早先通过经验主观地判断番茄病害所属类型。但是这样的方法分辨能力有限，不能准确地识别且耗时耗力。图像处理技术经过长期发展，已经被广泛的应用在各个方面，并且农业领域也渐渐兴起。但是，随着农业现代化发展朝着智能化方向不断推进，传统的图像识别方法将无法应对复杂的现实情况。随着计算机硬件设备性能的提升，将深度学习应用到农业生产中是未来农业的发展趋势。深度学习通过引入卷积层、池化层、全连接层等操作，自动提取图像特征，使得植物叶片病害识别有了突破性进展。快速、准确地识别番茄叶片病害并采取相应的防治措施，对保障作物生产、提高农民收入具有重要意义。

图番茄叶片病害特征展示(在图A中，由于光照，标记点边缘细节模糊；在图B中，标记部分的疾病较小)

2023年4月，Plant Phenomics在线发表了中南林业科技大学、国防科学技术大学、爱达荷州大学、湖南省植物保护研究所题为 An effective image-based tomato leaf disease segmentation method using MC-UNet的研究论文。

图MC-UNet结构图(A表示MC-UNet整体结构，B表示多尺度卷积模块，C表示跨层注意力融合机制)

本研究基于UNet结构，提出一种采用MC-UNet的番茄叶片病害图像分割方法。针对叶片边缘模糊问题，设计了一种多尺度卷积结构。首先应用了多个卷积核来捕获番茄叶片不同尺度的空间信息，后续的SE Module结构加强了网络对病害部分的感知能力以及病害边缘的表达能力。针对叶片微小病害的问题，提出了一种跨层注意力融合机制。在网络的各层上引入门控结构，门控结构可以突出不同尺寸的病害区域。将门控结果融合输出，以此综合各层的病害特征信息。在自制的番茄叶片病害分割数据集上，我们将MC-UNet与现有的分割网络进行对比，模型在参数量为6.67M的情况下达到了91.32%的准确率。

该研究由中南林业科技大学、国防科学技术大学、爱达荷州大学、湖南省植物保护研究所完成。中南林业科技大学邓榆宝为该文第一作者，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.0049

——推荐阅读——

SegVeg: Segmenting RGB Images into Green and Senescent Vegetation by Combining Deep and Shallow Methods

http://doi.org/10.34133/2022/9803570

Plant Phenomics | SegVeg通过深度和浅层方法的结合将RGB图像分割成绿色和衰老植被

Wheat Ear Segmentation Based on a Multisensor System and Superpixel Classification

http://doi.org/10.34133/2022/9841985

Plant Phenomics | 基于多传感器系统和超像素分类的麦穗图像分割

加入作者交流群