利用多任务学习方法准确高效地识别苹果叶片中的混合病害

《Agriculture》:Accurate and Efficient Recognition of Mixed Diseases in Apple Leaves Using a Multi-Task Learning Approach

【字体: 大 中 小 】 时间:2025年12月29日 来源:Agriculture 3.6

编辑推荐:

   摘要 随着植物病害表现形式的日益复杂,尤其是在多种病原体同时感染的情况下,这对可持续农业构成了重大挑战。为了解决这一问题,我们提出了苹果叶混

  

摘要

随着植物病害表现形式的日益复杂,尤其是在多种病原体同时感染的情况下,这对可持续农业构成了重大挑战。为了解决这一问题,我们提出了苹果叶混合病害识别(ALMDR)模型,这是一种专门用于识别和量化苹果叶片中混合病害感染的新多任务学习方法。ALMDR 包含四个关键模块:用于多尺度特征提取的组特征金字塔网络(GFPN)、用于病害类型预测的多标签分类头(MLCH)、用于叶片分割的叶片分割头(LSH)以及用于精确划分叶片和病斑区域的病斑分割头(LeSH)。GFPN 通过差异采样和分组策略改进了传统的特征金字塔网络(FPN),显著提高了对细微病害特征的捕捉能力。MLCH 能够在同一叶片上同时对多种病害进行分类,有效解决了混合感染问题。叶片分割头(LSH 和 LeSH)协同工作,准确分离叶片和病斑区域,便于详细分析病害模式。在 Plant Pathology 2021-FGVC8 数据集上的实验结果表明,ALMDR 的性能优于现有的最先进方法,在多个任务中均表现出色。我们的模型在多标签分类(F1 分数为 93.74%)、检测和分割(平均精度分别为 51.32% 和 45.50%)以及病害严重程度估计方面均取得了优异成绩(R2 = 0.9757)。此外,该模型在每秒处理 6.25 帧图像的情况下仍能保持这种准确率,实现了性能与计算效率的平衡。ALMDR 在苹果园的实时病害管理方面展现出潜力,其应用范围也可能扩展到其他作物。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号