基于混合扩张卷积和注意力的黄瓜病害严重度估算方法

作     者：李凯雨 朱昕怡 马浚诚 张领先 LI Kaiyu;ZHU Xinyi;MA Juncheng;ZHANG Lingxian

作者机构：中国农业大学信息与电气工程学院北京100083 中国农业科学院农业环境与可持续发展研究所北京100081 

出 版 物：《农业机械学报》 (Transactions of the Chinese Society for Agricultural Machinery)

年 卷 期：2023年第54卷第2期

页      面：231-239页

核心收录：

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(62176261) 

主　　题：黄瓜病害 病害严重度 扩张卷积 注意力机制 语义分割 

摘      要：自动和准确地估计病害的严重度对病害管理和产量损失预测至关重要。针对传统病害严重度估算步骤复杂且低效,难以实现在田间场景下精准估算问题,提出了一种基于混合扩张卷积和注意力机制改进UNet(Mixed dilated convolution and attention mechanism optimized UNet,MA-UNet)的病害严重度估算方法。首先,针对病斑尺寸不一、形状不规则问题,提出混合扩张卷积块(Mixed dilation convolution block,MDCB)增加感受野并保持病斑信息的连续性,提升病斑分割精度。其次,为了克服复杂背景的影响,利用注意力机制(Attention mechanism)对空间维度和通道维度进行相关性建模,获得每个像素类内响应和通道间的依赖关系,缓解背景对网络学习带来的影响。最后,计算病害分割图中病斑像素与叶片像素的比率来获得严重度。基于田间条件下收集的黄瓜霜霉病和白粉病图像进行了验证,并与全卷积网络(Fully convolutional network,FCN)、SegNet、UNet、PSPNet、FPN、DeepLabV3+进行比较。结果表明,MA-UNet优于比较方法,能够满足复杂环境下健康叶片和病斑的分割需求,平均交并比为84.97%,频权交并比为93.95%。基于MA-UNet分割结果估计黄瓜叶部病害严重度的决定系数为0.9654,均方根误差为1.0837%。该研究可为人工智能在农业中快速估计和控制病害严重度提供参考。