基于改進(jìn)U-Net++的水稻病害圖像分割研究

摘要：針對(duì)當(dāng)前作物病害圖像分割方法通用性差、精度不高導(dǎo)致病害識(shí)別和分級(jí)診斷效率低下的問(wèn)題，提出了一種改進(jìn)U-Net++網(wǎng)絡(luò)的水稻病害圖像分割模型。首先將使用數(shù)碼相機(jī)獲取的水稻紋枯病、稻瘟病和胡麻葉斑病圖像進(jìn)行標(biāo)注、數(shù)據(jù)增強(qiáng)等預(yù)處理，構(gòu)建成水稻病害數(shù)據(jù)集。其次，選取U-Net++語(yǔ)義分割模型，將編碼器中各卷積塊的雙層普通卷積核替換成膨脹系數(shù)為1、2、3的3層空洞卷積，擴(kuò)大網(wǎng)絡(luò)在特征提取時(shí)的感受野，增強(qiáng)模型對(duì)全局信息的獲取能力，提高模型的分割性能。最后，利用水稻病害數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練和測(cè)試。結(jié)果表明，改進(jìn)后的 U-Net++ 模型對(duì)測(cè)試集分割的平均交并比為87.48%，平均精確率為92.85%，平均召回率為93.42%，平均F1分?jǐn)?shù)為93.12%，與原U-Net++模型相比分別提高了2.94、1.02、2.04、1.52百分點(diǎn)。該模型對(duì)處理病斑分布雜亂且數(shù)量較多的復(fù)雜圖像也能保持很好的分割效果，有效實(shí)現(xiàn)了對(duì)水稻病害的像素級(jí)分割，為作物病害的精準(zhǔn)分割提供了一種新的手段，同時(shí)也為病害的自動(dòng)無(wú)損識(shí)別和分級(jí)診斷提供了有力的技術(shù)支持。

關(guān)鍵詞：水稻病害；U-Net++模型；空洞卷積；語(yǔ)義分割

中圖分類號(hào)：TP391.41；S435.111 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）12-0201-08

水稻的優(yōu)質(zhì)高產(chǎn)穩(wěn)產(chǎn)為保障我國(guó)糧食安全提供了堅(jiān)實(shí)的支撐，紋枯病、稻瘟病、胡麻葉斑病等是水稻生長(zhǎng)發(fā)育過(guò)程中的常見(jiàn)病害，危害植株地上部的各個(gè)部位，嚴(yán)重影響水稻的產(chǎn)量及品質(zhì)［1］。目前，我國(guó)大部分的農(nóng)戶憑借生產(chǎn)經(jīng)驗(yàn)人工觀察水稻病害的類別和發(fā)病程度，但該方法不僅繁瑣耗時(shí)，對(duì)形態(tài)相似的病害還容易產(chǎn)生誤判，導(dǎo)致病害防治效率低下。隨著計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展，通過(guò)圖像分割的方法精準(zhǔn)定位并分割出病斑，可實(shí)現(xiàn)水稻病害的自動(dòng)無(wú)損識(shí)別和分級(jí)診斷，相比于多光譜、高光譜等病害監(jiān)測(cè)技術(shù)，在農(nóng)業(yè)生產(chǎn)中更易推廣。

國(guó)內(nèi)外學(xué)者在作物病害圖像分割方面展開(kāi)大量研究，提出了各種分割算法。龔瑞昆等對(duì)K-means聚類算法進(jìn)行改進(jìn)，在Lab顏色空間采用波峰搜尋法得到初始聚類中心點(diǎn)和類別數(shù)K，將數(shù)據(jù)點(diǎn)到聚類中心的距離度量由歐氏距離改為馬氏距離，改進(jìn)后的K-means算法對(duì)玉米病斑區(qū)域的平均誤分割率和平均分割時(shí)間較改進(jìn)前都有所減少［2］。許高建等基于不同的顏色空間分別采用OTSU和K-means算法分割赤霉病麥穗圖像，結(jié)果發(fā)現(xiàn)，對(duì)Lab顏色空間中a分量采用OTSU分割麥穗病害部位的誤分率最低［3］。Syaiful等通過(guò)粒子群優(yōu)化算法有效解決了K-means算法容易陷入局部最優(yōu)的問(wèn)題，對(duì)番茄早疫病具有很好的分割性能［4］。除了使用單一的分割算法，將不同的算法進(jìn)行結(jié)合也是當(dāng)前的研究熱點(diǎn)。Bakar等針對(duì)水稻葉片稻瘟病區(qū)域顏色分布不均勻的問(wèn)題，在HSV顏色空間的H通道采用多級(jí)閾值分割算法和邊緣檢測(cè)方法分割出完整病斑，并在此基礎(chǔ)上劃分病情的嚴(yán)重程度［5］。Jun等將結(jié)合局部閾值和種子區(qū)域生長(zhǎng)的自適應(yīng)分割算法用于玉米葉片病斑分割，分割效果優(yōu)于單一算法［6］。

上述研究均為傳統(tǒng)的圖像分割方法，這些方法雖然易于理解、計(jì)算簡(jiǎn)單，但仍有不少的局限性［7］，如通用性較差。傳統(tǒng)的分割方法只對(duì)于特征明顯且相似的病害具有較好的分割效果，而實(shí)際生產(chǎn)中，不同病害的差異較大，同一病害在發(fā)展階段往往還會(huì)出現(xiàn)顏色、形態(tài)等特征的變化，針對(duì)這些情況需要根據(jù)特征重新調(diào)整參數(shù)。此外，田間復(fù)雜背景、光照變化很容易導(dǎo)致分割性能降低［8］。

2015年，全卷積網(wǎng)絡(luò)FCN的提出使深度學(xué)習(xí)技術(shù)開(kāi)始運(yùn)用于圖像分割方面［9］。同年，Ronneberger等基于FCN提出了一種具有編碼器-解碼器結(jié)構(gòu)的語(yǔ)義分割網(wǎng)絡(luò)，即U-Net，該網(wǎng)絡(luò)通過(guò)編解碼器間特殊的跳躍連接結(jié)構(gòu)將圖像的語(yǔ)義信息和下采樣過(guò)程中損失的空間位置信息進(jìn)行融合，對(duì)小目標(biāo)也有很好的分割效果［10］。近年來(lái)，不少學(xué)者將 U-Net 用于作物病害的分割并取得了顯著成效。郭鑫鑫等將用于提取全局信息的Transformer結(jié)構(gòu)置于 U-Net 網(wǎng)絡(luò)的底部，實(shí)現(xiàn)了對(duì)水稻紋枯病斑的快速準(zhǔn)確分割與提?。?1］。陳鵬等在U-Net的編碼器中加入了1層雙注意力機(jī)制模塊，用于關(guān)鍵信息的提取，在解碼器中加入了一個(gè)批量歸一化層，用于防止過(guò)擬合，改進(jìn)的網(wǎng)絡(luò)對(duì)小麥赤霉病病斑分割的精度更高，分割用時(shí)更短［12］。隨著研究的深入，U-Net模型的變體U-Net++以靈活的網(wǎng)絡(luò)結(jié)構(gòu)和更優(yōu)秀的性能被用于復(fù)雜圖像的分割［13］。Wang等利用U-Net++將葡萄病葉完整地從復(fù)雜背景中分割出來(lái)，有效解決了傳統(tǒng)圖像分割方法易受復(fù)雜背景干擾的問(wèn)題［14］。目前U-Net++模型主要應(yīng)用于醫(yī)學(xué)影像分割方面［15-17］，在農(nóng)業(yè)領(lǐng)域的研究較少，因此，本研究提出一種改進(jìn)的U-Net++模型，探究其對(duì)水稻紋枯病、稻瘟病和胡麻葉斑病的病斑分割效果，期望為水稻病害的自動(dòng)無(wú)損識(shí)別和分級(jí)診斷提供有效依據(jù)。

1 材料與方法

1.1 試驗(yàn)材料

于2022年7—8月在揚(yáng)州大學(xué)人工氣候室內(nèi)采集水稻紋枯病圖像，圖像獲取設(shè)備為SONY@6300數(shù)碼相機(jī)，分辨率為3 376像素×6 000像素，拍攝時(shí)保證相機(jī)與植株保持相等距離。水稻稻瘟病和胡麻葉斑病圖像為mendeley和uci網(wǎng)站的開(kāi)源圖像數(shù)據(jù)樣本（https：//data.mendeley.com；https：//archive.ics.uci.edu/ml/datasets/Rice+Leaf+Diseases），圖像分辨率不一。最終選擇紋枯病、稻瘟病和胡麻葉斑病各200張作為原始數(shù)據(jù)集，部分水稻病害圖像如圖1所示。

1.2 深度學(xué)習(xí)數(shù)據(jù)集構(gòu)建

將圖像進(jìn)行標(biāo)注形成不同的標(biāo)簽數(shù)據(jù)是利用深度學(xué)習(xí)進(jìn)行圖像分割的重要一步。本研究在Labelme軟件中將每張圖像上的病斑區(qū)域用不規(guī)則多邊形框出，同時(shí)定義每個(gè)病斑的標(biāo)簽名稱，紋枯病標(biāo)簽名稱為“wenku”，稻瘟病為“daowen”，胡麻葉斑病為“huma”，標(biāo)注過(guò)程如圖2所示。標(biāo)注完成后保存為json文件，并轉(zhuǎn)換為VOC數(shù)據(jù)集格式。

每種病害各隨機(jī)選取50張圖作為測(cè)試集。剩下的450張圖分別使用旋轉(zhuǎn)不同角度、增加亮度和高斯模糊的方法進(jìn)行圖像增強(qiáng)（圖3），最終得到 4 050 張病害圖像，再按照9 ∶1的比例劃分為訓(xùn)練集和驗(yàn)證集，其中每種病害在各個(gè)數(shù)據(jù)集中均勻分布。

1.3 U-Net++網(wǎng)絡(luò)結(jié)構(gòu)及改進(jìn)

Zhou等延用了U-Net的編碼器-解碼器和跳躍連接結(jié)構(gòu)，設(shè)計(jì)了4個(gè)層級(jí)的解碼器并共用編碼器，提出了具有嵌套式的密集跳躍連接結(jié)構(gòu)的 U-Net++ 網(wǎng)絡(luò)模型［13］，其網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。U-Net++ 不僅在各個(gè)層級(jí)對(duì)應(yīng)的編解碼器間通過(guò)直接連接對(duì)特征圖進(jìn)行融合，還將不同層級(jí)解碼器生成的特征圖通過(guò)嵌套連接進(jìn)行融合，有助于圖像深淺層特征信息的相互傳遞，有效改善了U-Net網(wǎng)絡(luò)因編解碼特征信息差異大，通過(guò)直接連接而導(dǎo)致部分特征融合效果差的問(wèn)題。此外，U-Net++的深度監(jiān)督結(jié)構(gòu)使網(wǎng)絡(luò)在訓(xùn)練過(guò)程中可以輸出各個(gè)子網(wǎng)絡(luò)的分割結(jié)果，獲得多個(gè)監(jiān)督信號(hào)并逐級(jí)反向傳播梯度，避免梯度消失，最終的輸出包含了各個(gè)層級(jí)的語(yǔ)義信息和上下文關(guān)系，提高網(wǎng)絡(luò)對(duì)不同尺度下水稻病斑的分割準(zhǔn)確性。

U-Net++的編碼器通過(guò)卷積操作提取圖像特征，而固定的卷積核尺寸讓網(wǎng)絡(luò)只能捕獲一定范圍內(nèi)的上下文信息，為了將重要的全局信息傳遞給解碼器，增強(qiáng)模型在小樣本水稻病害數(shù)據(jù)集上的特征學(xué)習(xí)能力，本研究對(duì)U-Net++的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，將編碼器中各卷積塊的雙層普通卷積核替換為膨脹系數(shù)為1、2、3的3層空洞卷積，結(jié)果如圖5所示。

空洞卷積的膨脹系數(shù)使卷積核在圖像像素矩陣中進(jìn)行滑動(dòng)計(jì)算時(shí)，滑動(dòng)窗口的元素以一定的間隔排列，這種特征提取的方式在不改變卷積核的大小和參數(shù)量的情況下，增加了卷積操作的感受野。對(duì)于一個(gè)大小為K×K、膨脹系數(shù)為r的空洞卷積，其感受野為R×R［R=K+（K-1）×（r-1）］，其中膨脹系數(shù)為1的空洞卷積即普通卷積，感受野為卷積核本身大小。本研究中卷積核為3×3，膨脹系數(shù)為1、2、3的空洞卷積感受野分別為3×3、5×5、7×7，結(jié)果如圖6所示。

不同膨脹系數(shù)的空洞卷積組合進(jìn)一步擴(kuò)大感受野，使網(wǎng)絡(luò)在提取水稻病斑邊緣、顏色等局部信息的同時(shí)，更高效地獲取病斑形狀、位置等全局信息。圖7-a為3層普通卷積，總感受野為7×7，圖7-b為本試驗(yàn)的3層空洞卷積，總感受野為13×13。相比于普通卷積，堆疊的空洞卷積可以覆蓋到更大范圍的圖像像素，并減少對(duì)像素信息的冗余利用，提高網(wǎng)絡(luò)對(duì)圖像特征學(xué)習(xí)的效率。

1.4 模型評(píng)價(jià)指標(biāo)

為了準(zhǔn)確評(píng)估改進(jìn)的U-Net++模型對(duì)3種水稻病害的分割性能，本研究基于混淆矩陣計(jì)算出精確率（precision，P）、召回率（recall，R）、F1分?jǐn)?shù)（F1_score）和交并比（intersection over union，簡(jiǎn)稱IoU）作為評(píng)價(jià)指標(biāo)。

精確率表示被正確預(yù)測(cè)為病斑的像素占預(yù)測(cè)像素的比例，其計(jì)算過(guò)程如式（1）所示

召回率表示被正確預(yù)測(cè)為病斑的像素占實(shí)際標(biāo)簽像素的比例，其計(jì)算過(guò)程如式（2）所示

F1分?jǐn)?shù)表示精確率和召回率的調(diào)和平均值，衡量了模型的整體性能，其計(jì)算過(guò)程如式（3）所示

交并比表示模型預(yù)測(cè)結(jié)果與實(shí)際標(biāo)簽的交集與并集之比，是語(yǔ)義分割中的標(biāo)準(zhǔn)度量，其計(jì)算過(guò)程如式（4）所示

IoU=TP/（TP+FP+FN）×100%。（4）

式中：TP表示病斑區(qū)域被正確預(yù)測(cè)的像素?cái)?shù)量；FP表示將背景預(yù)測(cè)為病斑的像素?cái)?shù)量；FN表示將病斑預(yù)測(cè)為背景的像素?cái)?shù)量。

1.5 試驗(yàn)環(huán)境

本試驗(yàn)所使用的計(jì)算機(jī)平臺(tái)具備單個(gè)處理器和顯卡，處理器型號(hào)為Intel Core i7-10870H @2.20 GHz，顯卡型號(hào)為NVIDIA GeForce RTX 3070Ti，操作系統(tǒng)為Windows 10，在基于Python 3.7的Pytorch框架下搭建深度學(xué)習(xí)網(wǎng)絡(luò)模型，具體信息如表1所示。

1.6 模型訓(xùn)練

改進(jìn)的U-Net++模型在對(duì)水稻紋枯病、稻瘟病和胡麻葉斑病進(jìn)行分割訓(xùn)練時(shí)，輸入圖像的分辨率統(tǒng)一縮小為256像素×256像素，類別為4個(gè)（包含背景），輪次（epoch）為180次，由于計(jì)算機(jī)顯存的限制，批大?。╞atch size）設(shè)置為2，選取結(jié)構(gòu)簡(jiǎn)單的VGG模型作為特征提取網(wǎng)絡(luò)［18］，初始學(xué)習(xí)率為0.000 1，使用Cosine Annealing學(xué)習(xí)率衰減策略和Adam優(yōu)化器，在訓(xùn)練過(guò)程中周期性地降低學(xué)習(xí)率，動(dòng)態(tài)優(yōu)化模型的權(quán)重參數(shù)，使網(wǎng)絡(luò)在不同的學(xué)習(xí)率下得到最優(yōu)解［19-20］。

水稻病害在發(fā)展階段，病斑邊緣往往介于健康與受感染之間，不同病害的病斑大小和數(shù)量也不一致，為了減少病斑的邊緣模糊性和類別不平衡性對(duì)模型分割性能的影響，本研究的損失函數(shù)結(jié)合了交叉熵?fù)p失函數(shù)和Dice損失函數(shù)，使模型既關(guān)注對(duì)每個(gè)像素的分割結(jié)果，又關(guān)注對(duì)每種類別的分割結(jié)果。

2 結(jié)果與分析

2.1 模型測(cè)試結(jié)果

模型訓(xùn)練完成后，對(duì)測(cè)試集進(jìn)行預(yù)測(cè)并計(jì)算出各個(gè)評(píng)價(jià)指標(biāo)，表2為本試驗(yàn)中改進(jìn)的U-Net++模型對(duì)測(cè)試集的分割結(jié)果。

在3種病害中，改進(jìn)的U-Net++模型對(duì)紋枯病的分割性能最優(yōu)，其交并比為90.49%，比稻瘟病和胡麻葉斑病分別高7.42、13.26百分點(diǎn)；精確率為95.66%，比稻瘟病和胡麻葉斑病分別高7.14、8.00百分點(diǎn)；召回率為94.36%，比稻瘟病和胡麻葉斑病分別高1.26、7.71百分點(diǎn)；F1分?jǐn)?shù)為95.01%，比稻瘟病和胡麻葉斑病分別高4.26、7.86百分點(diǎn)。

在整體性能上，改進(jìn)的U-Net++模型對(duì)測(cè)試集分割的平均交并比為87.48%，平均精確率為92.85%，平均召回率為93.42%，平均F1分?jǐn)?shù)為93.12%，說(shuō)明模型有較好的分割效果。

2.2 模型對(duì)比分析

為了確保本試驗(yàn)?zāi)Ｐ偷挠行缘玫匠浞烛?yàn)證，在數(shù)據(jù)集、試驗(yàn)環(huán)境和參數(shù)設(shè)置相同的條件下，對(duì)比Deeplabv3+、U-Net和U-Net++模型的測(cè)試結(jié)果，如表3所示。

由表3可以看出，改進(jìn)的U-Net++模型與原 U-Net++模型相比，平均交并比、平均精確率、平均召回率和平均F1分?jǐn)?shù)分別提高2.94%、1.02%、2.04、1.52百分點(diǎn)，說(shuō)明將原U-Net++模型編碼器中各卷積塊的雙層普通卷積核替換為膨脹系數(shù)為1、2、3的3層空洞卷積，能夠提高網(wǎng)絡(luò)對(duì)不同水稻病害的特征學(xué)習(xí)能力，從而更完整地分割出病斑。此外，改進(jìn)的U-Net++模型的整體分割性能明顯優(yōu)于U-Net和Deeplabv3+模型，因此，本試驗(yàn)?zāi)Ｐ瓦m用于水稻病害的精準(zhǔn)分割。

圖8展示了不同模型對(duì)測(cè)試集中部分圖像的分割效果。對(duì)于病斑數(shù)量單一的圖像，各個(gè)模型的分割性能相似，都可以較為準(zhǔn)確地分割出病斑。對(duì)于病斑數(shù)量較多的圖像，本試驗(yàn)?zāi)Ｐ捅憩F(xiàn)出了最佳的分割性能，U-Net++和U-Net模型都出現(xiàn)了紋枯病病斑的漏分割和將部分稻瘟病病斑誤分割為胡麻葉斑病的現(xiàn)象，U-Net模型還將部分水稻葉片誤分割為紋枯病，而Deeplabv3+模型在水稻病斑邊緣分割上表現(xiàn)得較為粗糙。

3 討論

3.1 關(guān)于模型的選擇與改進(jìn)

本研究利用改進(jìn)的U-Net++模型對(duì)水稻紋枯病、稻瘟病和胡麻葉斑病進(jìn)行病斑分割。在模型的編碼器中，引入了具有不同膨脹系數(shù)的空洞卷積組合，擴(kuò)大了網(wǎng)絡(luò)在進(jìn)行特征提取時(shí)的感受野，增強(qiáng)模型對(duì)全局信息的獲取能力，而非僅專注于局部細(xì)節(jié)。這種改進(jìn)使模型在處理病斑分布雜亂且數(shù)量較多的復(fù)雜圖像時(shí)，也能保持很好的分割效果。U-Net++模型的密集跳躍連接結(jié)構(gòu)和上采樣操作保證了圖像深淺層特征信息的相互傳遞，因此，相比于同樣具有空洞卷積的Deeplabv3+模型，本試驗(yàn)?zāi)Ｐ捅Ａ袅烁嗟募?xì)節(jié)信息，可以精準(zhǔn)分割出邊緣模糊的病斑。戴子兵在U-Net模型中嵌入改進(jìn)的ASPP模塊，對(duì)水稻紋枯病、稻瘟病和胡麻葉斑病分割的平均像素準(zhǔn)確率為76.67%［21］。郭鑫鑫等利用Transformer網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)U-Net模型，對(duì)水稻紋枯病斑分割的平均交并比為87.01%［11］。與上述研究相比，本試驗(yàn)在水稻病害分割上有更大的優(yōu)勢(shì)。

3.2 關(guān)于圖像的采集

由于水稻紋枯病圖像在實(shí)驗(yàn)室環(huán)境下拍攝，光線和背景的干擾較小，病斑特征清晰可見(jiàn)，而稻瘟病和胡麻葉斑病圖像來(lái)源于開(kāi)源數(shù)據(jù)集，大部分是大田環(huán)境下拍攝，圖像質(zhì)量參差不一，導(dǎo)致特征提取的難度大于紋枯病，因此改進(jìn)的U-Net++模型對(duì)紋枯病的分割性能最好。王珊使用高斯混合模型準(zhǔn)確分割出感染菌核病的油菜莖稈部分，有效避免了葉片、泥土等背景對(duì)病斑分割的影響［22］。杜鵬飛等針對(duì)大田環(huán)境下作物葉片病斑難分割的問(wèn)題，設(shè)計(jì)了兩階段的分割模型，首先用一階段模型提取出病葉，再在此基礎(chǔ)上用二階段模型分割出病斑，分割準(zhǔn)確率比使用單一模型更高［23-25］。因此，為了均衡改進(jìn)的U-Net++模型對(duì)每種病害的分割性能，后續(xù)要對(duì)數(shù)據(jù)集進(jìn)行優(yōu)化，使每種病害統(tǒng)一在大田環(huán)境下拍攝，或通過(guò)預(yù)處理去除復(fù)雜背景的干擾。

3.3 關(guān)于發(fā)病時(shí)期的選擇

本研究所收集的水稻病害圖像主要處于病情發(fā)展的穩(wěn)定期，每張圖像僅包含單一病害， 然而，在實(shí)際農(nóng)業(yè)生產(chǎn)中，病害往往處于不同的發(fā)展階段，并表現(xiàn)出不同的顏色、形態(tài)等特征，甚至在同一水稻植株上可能會(huì)出現(xiàn)多種病害。蔣小敏等根據(jù)不同發(fā)病程度的小麥條銹病病葉的顏色變化，給圖像的G分量賦予不同的權(quán)重，通過(guò)R+G組合圖有效區(qū)分出病斑和健康區(qū)域［26］?？蝶惖忍崛〉疚敛“l(fā)病早期的葉片高光譜數(shù)據(jù)，建立CARS-PCA-SVM模型，實(shí)現(xiàn)稻瘟病早期的分級(jí)檢測(cè)，各級(jí)準(zhǔn)確率均在94%以上［27］。因此，后續(xù)要對(duì)病情發(fā)展初期、穩(wěn)定期、末期和多病害并發(fā)的情況分別進(jìn)行模型訓(xùn)練和測(cè)試，從而提升模型在實(shí)際應(yīng)用中的準(zhǔn)確性和可靠性。

3.4 關(guān)于模型的分割性能

本試驗(yàn)?zāi)Ｐ驮诜指畹疚敛『秃槿~斑病圖像時(shí)，出現(xiàn)的漏分割和誤分割現(xiàn)象多于紋枯病，此外，該模型的圖像分割速度為66.7 ms/幀，比U-Net++、U-Net和Deeplabv3+分別快6.7、13.4、40 ms/張，說(shuō)明模型的分割性能和運(yùn)行速度還有待提升。陳鵬等在U-Net的基礎(chǔ)上，構(gòu)建了融合雙注意力機(jī)制模塊和批量歸一化層的UNetA模型，對(duì)小麥赤霉病病斑的分割精度和速度均有明顯提升［12］。朱成宇在U-Net模型中引入通道注意力機(jī)制和輕量化網(wǎng)絡(luò)ShuffleNet v2，使模型在滿足分割精度的同時(shí)大幅度降低參數(shù)量和計(jì)算量［28］。因此，未來(lái)將嘗試在模型中加入注意力機(jī)制用以提高模型對(duì)目標(biāo)區(qū)域的特征學(xué)習(xí)能力，同時(shí)把VGG替換為更輕量化的網(wǎng)絡(luò)結(jié)構(gòu)來(lái)減少模型的分割時(shí)間。

4 結(jié)論

本研究將空洞卷積用于U-Net++模型的編碼器部分，實(shí)現(xiàn)了對(duì)水稻紋枯病、稻瘟病和胡麻葉斑病的像素級(jí)分割任務(wù)，從而構(gòu)建了一種基于 U-Net++ 的水稻病害分割模型。在對(duì)測(cè)試集的分割中，該模型的平均交并比為87.48%，平均精確率為92.85%，平均召回率為93.42%，平均F1分?jǐn)?shù)為93.12%，分割性能優(yōu)于U-Net++、U-Net和Deeplabv3+模型。這些結(jié)果表明，改進(jìn)的 U-Net++ 模型可用于水稻病害的精準(zhǔn)分割中，為病害的自動(dòng)無(wú)損識(shí)別和分級(jí)診斷提供了強(qiáng)有力的支持。

參考文獻(xiàn)：

［1］劉 杰，曾 娟，楊清坡，等. 2023年農(nóng)作物重大病蟲(chóng)害發(fā)生趨勢(shì)預(yù)報(bào)［J］. 中國(guó)植保導(dǎo)刊，2023，43（1）：32-35.

［2］龔瑞昆，劉 佳. 改進(jìn)K-means算法的玉米葉部病害圖像分割研究［J］. 現(xiàn)代電子技術(shù)，2021，44（22）：131-134.

［3］許高建，沈 杰，徐浩宇. 基于Lab顏色空間下的小麥赤霉病圖像分割［J］. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2021，26（10）：149-156.

［4］Syaiful A，Zuraidah F. Early blight disease segmentation on tomato plant using K-means algorithm with swarm intelligence-based algorithm［J］. International Journal of Mathematics and Computer Science，2021，16（4）：1217-1228.

［5］Bakar M N A，Abdullah A H，Rahim N A，et al." Rice leaf blast disease detection using multi-level colour image thresholding［J］. Journal of Telecommunication，Electronic and Computer Engineering，2018，10（1-15）：1-6.

［6］Jun P，Bai Z Y，Lai J C，et al." Automatic segmentation of crop leaf spot disease images by integrating local threshold and seeded region growing［C］//2011 International Conference on Image Analysis and Signal Processing. Hubei，2011：590-594.

［7］黃 鵬，鄭 淇，梁 超. 圖像分割方法綜述［J］. 武漢大學(xué)學(xué)報(bào)（理學(xué)版），2020，66（6）：519-531.

［8］李 輝，羅 敏，岳佳欣. 基于計(jì)算機(jī)視覺(jué)技術(shù)的水稻病害圖像識(shí)別研究進(jìn)展［J］. 湖北農(nóng)業(yè)科學(xué)，2022，61（4）：9-15.

［9］Shelhamer E，Long J，Darrell T. Fully convolutional networks for semantic segmentation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（4）：640-651.

［10］Ronneberger O，F(xiàn)ischer P，Brox T. U-net：convolutional networks for biomedical image segmentation［C］//International Conference on Medical Image Computing and Computer-Assisted Intervention.Cham：Springer，2015：234-241.

［11］郭鑫鑫，劉 洋. 基于改進(jìn)U-net網(wǎng)絡(luò)的水稻紋枯病圖像分割［J］. 鄉(xiāng)村科技，2021，12（31）：111-114.

［12］陳 鵬，馬子涵，章 軍，等. 融合注意力機(jī)制的小麥赤霉病語(yǔ)義分割網(wǎng)絡(luò)［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2023，44（4）：145-152.

［13］Zhou Z W，Siddiquee M M R，Tajbakhsh N，et al." UNet++：a nested U-net architecture for medical image segmentation［J］. Computational Intelligence and Neuroscience，2018，28（2）：1-14.

［14］Wang G W，Wang J W，Wang J X，et al." Grape leaf disease classification combined with U-net++ network and threshold segmentation［J］. Computational Intelligence and Neuroscience，2022，2022：1042737.

［15］Hoorali F，Khosravi H，Moradi B. Automatic Bacillus anthracis bacteria detection and segmentation in microscopic images using UNet+［J］. Journal of Microbiological Methods，2020，177：106056.

［16］侯奕辰，彭 輝，謝俊章，等. 改進(jìn)Unet++在腦腫瘤圖像分割的研究［J］. 計(jì)算機(jī)工程與設(shè)計(jì)，2022，43（6）：1725-1731.

［17］Lan K，Cheng J Z，Jiang J Y，et al." Modified UNet++ with atrous spatial pyramid pooling for blood cell image segmentation［J］. Mathematical Biosciences and Engineering，2023，20（1）：1420-1433.

［18］Simonyan K，Zisserman A. Very deep convolutional networks for large-scale image recognition［J］. CoRR，2014，1409.1556.

［19］Fu Q，Luo Y L，Liu J X，et al." Improving learning algorithm performance for spiking neural networks［C］//2017 IEEE 17th International Conference on Communication Technology. Chengdu，2017：1916-1919.

［20］蔣文斌，彭 晶，葉閣焰. 深度學(xué)習(xí)自適應(yīng)學(xué)習(xí)率算法研究［J］. 華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，47（5）：79-83.

［21］戴子兵. 基于語(yǔ)義分割的水稻病害檢測(cè)技術(shù)［D］. 成都：西華大學(xué)，2020：43-48.

［22］王 珊. 基于機(jī)器視覺(jué)的油菜菌核病檢測(cè)研究［D］. 合肥：安徽農(nóng)業(yè)大學(xué)，2021：19-29.

［23］杜鵬飛. 基于語(yǔ)義分割的黃瓜葉部病害嚴(yán)重程度估計(jì)研究［D］. 保定：河北農(nóng)業(yè)大學(xué)，2021：23-34.

［24］閆靖昆，黃毓賢，秦偉森，等. 棉田復(fù)雜背景下棉花黃萎病病斑分割算法研究［J］. 南京師大學(xué)報(bào)（自然科學(xué)版），2021，44（4）：127-134.

［25］趙廣猛，王衛(wèi)兵. 基于U-Net模型和FCM算法的番茄穴盤苗重疊幼葉分割方法［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（2）：206-212.

［26］蔣小敏，馮海寬，常 紅，等. 基于數(shù)碼圖像的小麥條銹病病害程度分級(jí)方法［J］. 江蘇農(nóng)業(yè)科學(xué)，2021，49（23）：109-115.

［27］康 麗，袁建清，高 睿，等. 高光譜成像的水稻稻瘟病早期分級(jí)檢測(cè)［J］. 光譜學(xué)與光譜分析，2021，41（3）：898-902.

［28］朱成宇. 基于輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)的水稻病害識(shí)別［D］. 南寧：廣西大學(xué)，2022：30-51.

收稿日期：2023-07-22

基金項(xiàng)目：江蘇省重點(diǎn)研發(fā)計(jì)劃（現(xiàn)代農(nóng)業(yè)）項(xiàng)目（編號(hào)：BE2022335，BE2022338）；江蘇高校優(yōu)勢(shì)學(xué)科建設(shè)工程資助項(xiàng)目（PAPD）。

作者簡(jiǎn)介：洪 俐（1999—），女，江蘇南京人，碩士研究生，主要從事作物表型監(jiān)測(cè)研究。E-mail：1678515168@qq.com。

通信作者：孫成明，博士，教授，博士生導(dǎo)師，主要從事作物表型監(jiān)測(cè)與智慧農(nóng)作技術(shù)研究。E-mail：cmsun@yzu.edu.cn。