中南林業科技大學周國雄教授團隊基于PLPNet的番茄葉片病害圖像精確檢測方法

番茄的大多數病害都由葉部開始發病，接著蔓延到整個植株�；�于深度學習的目標檢測技術能夠識別病害的類別同時定位發病區域的準確位置。但當前番茄葉片病害檢測過程中存在幾個問題：（a）類內差異性。由于不同病斑發病時的環境不同，同種病害往往呈現出不同的病理狀態。這使得檢測網絡容易忽略這樣的混合特征。（b）泥土背景干擾。真實環境中，番茄的土壤環境往往與某些病害有著相似的顏色特征。當病斑處于葉片偏中間位置時，鄰近健康部分的信息參考減少了背景的干擾。但當病斑發生于葉片邊緣時，這樣的參考信息會缺失。這樣的情況下，泥土背景的干擾往往導致檢測網絡產生誤判。（c）類間相似性。大量的研究已經探討了利用生物形態（形狀和結構）來區分不同類別的基本可行性，但這往往是對類別差異較為顯著時有效。某些類別的病害在顏色、紋理、形狀等特征上存在著極為相似的特點。這些微小差異給檢測帶來了巨大的挑戰。
 

2023年5月， Plant Phenomics 在線發表了中南林業科技大學周國雄教授團隊題為A Precise Image-Based Tomato Leaf Disease Detection Approach Using PLPNet 的研究論文。
 

圖1 番茄葉片病害檢測存在的一些問題

針對番茄葉片病害檢測存在的問題，提出了基于YOLOX-S的番茄葉片病害目標檢測方法PLPNet。它的網絡模型結構如圖3(a)所示。在特征提取階段，我們提出了PAC，并將其替換骨干網絡中CSPLayer的所有普通卷積。構造的PAC-CSPLayer用以提取更豐富的病害特征，提高網絡的全局感受能力。在特征信息進入融合階段前，我們提出了LRAM并把它添加到骨干網絡與金字塔結構的連接處。它減少無關信息進入特征融合階段帶來的誤差。在特征融合階段，本文提出了SD-PFAN，該結構能夠更好地融合不同骨干網絡層的特征信息。它為網絡后續的檢測階段提供更好的分類和檢測建議。
 

圖3 PLPNet的網絡結構圖

本文創新點如下：a.提出了一種感知自適應卷積(Perceptual Adaptive Convolution, PAC)。該模塊能夠根據病害區域的特點調整不同卷積核的比重，從而提取更多的病害信息。這增強了網絡對目標周圍信息的關聯能力，對多重性狀的病害具有很好的效果。b.提出了一種綜合空間和通道信息的位置強化注意力機制 (Location Reinforcement Attention Mechanism, LRAM)。該機制利用水平和垂直特征向量對病害的目標區域賦予了更大的權重。這不僅有效定位了邊緣病害，也過濾了泥土等背景信息特征干擾。c.提出了一種鄰近特征聚合金字塔 (Proximity Feature Aggregation Network with Switchable Atrous Convolution and Deconvolution, SD-PFAN)。首先，采用SAC復用細微特征信息。然后，通過Deconvolution將低層信息逆映射到高層特征層。最后，通過鄰近特征聚合網絡對特征圖的淺層視覺信息和深層語義信息進行融合。該結構有效融合了細微的區分特征，極大提升了病害檢測的精度。
 

該研究由中南林業科技大學、國防科學技術大學、愛達荷大學、湖南省植物保護研究所合作完成。中南林業科技大學唐智文為該文第一作者，周國雄為該文通訊作者。相關工作得到長沙市自然科學基金、國家自然科學基金等資助。
 

周國雄 教授

論文鏈接：

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

論文數據及代碼下載：

https://github.com/ZhouGuoXiong/PLPNet

——推薦閱讀——

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

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

Plant Phenomics | 虛擬圖像“以假亂真”，無需人工標注，自監督創建小麥表型算法

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

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

Plant Phenomics | 基于無人機多光譜圖像和SRGAN的大白菜單株表型測定研究

加入作者交流群

掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2021影響因子為6.961，位于農藝學、植物科學、遙感一區。中科院農藝學、植物科學一區、遙感二區、生物大類一區（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
特邀作者：周國雄
排版：張婕（南京農業大學）
審核：孔敏、王平