改变番茄作物健康引入先进叶病检测和分割方法

番茄是一种广泛种植的作物，具有烹饪和药用价值。它容易受到各种病虫害的影响，特别是影响叶子，这给种植者带来了挑战。传统的疾病识别方法基于人类的主观判断，事实证明效率低下且不可靠。

图像处理技术，特别是深度学习的出现，彻底改变了农业中的疾病检测。这些技术涉及收集和处理疾病图像、提取特征以及训练模型以进行准确识别;尽管取得了进步，但挑战仍然存在，例如准确检测微小或模糊的疾病症状。

研究人员开发了多种方法来克服这些限制，包括优化模型和采用先进算法。然而，植物病害识别方面的深度学习仍然面临复杂性和对不同农业环境的适应性等挑战，这使得正在进行的研究朝着增强这些技术的方向发展。

2023年5月，Plant Phenomics发表了题为“ An effective Image-Based Tomato Leaf Shipmentation Method Using MC-UNet ”的研究文章。

该研究引入了跨层注意力融合机制结合多尺度卷积模块(MC-UNet)，这是一种基于UNet的增强型基于图像的番茄叶病分割方法。该方法结合了多尺度卷积模块，用于利用各种大小的卷积核并强调边缘特征来获取有关番茄病害的多尺度信息。

采用跨层注意力融合机制来精确定位番茄叶片上的病害位置，使用 SoftPool 进行信息保留，并使用 SeLU 功能来防止神经元丢失。MC-UNet在自建数据集中展示了91.32%的准确率和667万个参数，证实了其对番茄叶病分割的有效性。

研究表明，MC-UNet 在番茄病害分割方面优于其他模型。分析了多尺度卷积模块(MCM)和跨层注意力融合机制(CAFM)等各个模块的有效性。MCM能够有效地提取特征信息，CAFM通过增强多尺度输出融合来提高模型的性能。

与 UNet 中原始的 MaxPool 相比，使用 SoftPool 作为池化层在网络性能方面表现出显着的改进。消融实验证实了每个模块的有效性，其中 CAFM 实现了最显着的改进。还评估了 MC-UNet 在不同光照环境下的鲁棒性，显示其优于基线网络 UNet 的性能，特别是在微小和边缘模糊的叶子疾病方面。

实验得出结论：MC-UNet是一种适合番茄叶部病害分割的模型。它在准确率上显着优于其他网络，并且具有很强的泛化能力。然而，它在处理复杂背景时表现出局限性，表明未来的研究有必要集中在多级分割模型和复杂背景数据集上，以增强模型的抗干扰能力。