基于語(yǔ)義分割網(wǎng)絡(luò)模型的核桃葉片焦枯程度估計(jì)研究

摘要：[目的]實(shí)現(xiàn)核桃葉片焦葉程度的準(zhǔn)確定量化，為科學(xué)精準(zhǔn)治理焦葉癥提供科學(xué)依據(jù)。[方法]以核桃葉片復(fù)雜背景圖像為研究對(duì)象，提出基于語(yǔ)義分割網(wǎng)絡(luò)模型的核桃葉片焦葉癥分級(jí)方法。首先對(duì)焦葉葉片圖像進(jìn)行分割，主要包括兩個(gè)階段，第一階段采用Segment Anything（ SAM）模型在復(fù)雜自然背景下提取目標(biāo)葉片的邊緣輪廓，第二階段分別使用SAM和Mask R-CNN模型，對(duì)焦葉葉片進(jìn)行分割。然后，提出了核桃葉片焦葉程度的分級(jí)標(biāo)準(zhǔn)與方法。[結(jié)果]SAM和Mask R-CNN模型都具有較好地核桃焦葉葉片識(shí)別和分割能力。SAM模型雖然分割時(shí)需點(diǎn)選標(biāo)識(shí)目標(biāo)區(qū)域，但該模型無(wú)需再次訓(xùn)練即可直接運(yùn)行，具有較好的可操作性和交互性。相比之下，經(jīng)訓(xùn)練后的Mask R-CNN模型分割精度更高，其像素精度、平均像素精度、平均交并比分別為98.95％、98.19％、95.94％。同時(shí)，基于Mask R-CNN模型的核桃葉片焦葉程度的分級(jí)平均準(zhǔn)確率達(dá)到91.29％。[結(jié)論]在復(fù)雜自然背景下，采用基于語(yǔ)義分割網(wǎng)絡(luò)模型的兩階段核桃葉片焦葉程度分級(jí)方法，能夠準(zhǔn)確地對(duì)核桃葉片焦葉部位進(jìn)行識(shí)別和分割，為核桃焦葉程度等級(jí)劃分提供了理論依據(jù)，對(duì)核桃焦葉癥的精準(zhǔn)防控提供了技術(shù)支撐。

關(guān)鍵詞：核桃葉片；焦葉癥；嚴(yán)重程度分級(jí)；復(fù)雜背景；語(yǔ)義分割

中圖分類(lèi)號(hào)：TP391.4；S76；S75 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1001-1498（2025）01-0028-11

核桃（Juglans ragia L）是我國(guó)新疆南部地區(qū)的重要經(jīng)濟(jì)林資源，全疆種植面積約40萬(wàn)公頃，具有良好的經(jīng)濟(jì)價(jià)值和生態(tài)效益。然而，由于新疆地處于干旱半干旱區(qū)域，在水資源緊缺、土壤鹽堿化較重、不合理的栽培管理措施等多因素影響下，該地區(qū)近些年來(lái)出現(xiàn)了大面積的核桃葉片焦枯癥狀（Juglans leaf necrosis.JLN）。核桃焦葉癥一般最早在葉尖和葉緣出現(xiàn)，隨著嚴(yán)重度增加逐漸向葉心部蔓延，如不及時(shí)防治，往往會(huì)對(duì)核桃的產(chǎn)量和品質(zhì)造成嚴(yán)重的影響。傳統(tǒng)的核桃葉片焦葉癥診斷主要依賴于實(shí)驗(yàn)室內(nèi)分析或植保專(zhuān)家的觀察，因而需要耗費(fèi)大量的人力和物力。通常，針對(duì)不同嚴(yán)重程度的核桃葉片焦葉癥，需要采取不同的應(yīng)對(duì)措施。而不合理的措施往往會(huì)影響核桃產(chǎn)量、造成環(huán)境污染。因此，快速、精準(zhǔn)的識(shí)別和分割核桃葉片焦葉癥，對(duì)于農(nóng)林業(yè)生產(chǎn)實(shí)踐具有重要意義。

隨著計(jì)算機(jī)技術(shù)和深度學(xué)習(xí)模型的快速發(fā)展，植物葉片的健康狀況識(shí)別技術(shù)越來(lái)越成熟，許多學(xué)者對(duì)葉片尺度的植物健康狀況識(shí)別進(jìn)行了廣泛研究。例如，Zhang等以黃瓜（Cucumis sativus L.）霜霉病葉片圖像為輸入，構(gòu)建了基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）的估計(jì)模型，使用決定系數(shù)（R2）和歸一化均方根誤差（NRMSE）定量評(píng)估模型的準(zhǔn)確性，最終基于卷積神經(jīng)網(wǎng)絡(luò)的R2為0.9190，NRMSE為23.33％。Ma等提出了一種深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional Neural Network，DCNN）對(duì)炭疽病、霜霉病、白粉病和目標(biāo)葉斑病4種黃瓜病害進(jìn)行癥狀識(shí)別。在包含14 208張癥狀圖像的增強(qiáng)數(shù)據(jù)集中，DCNN取得了良好的識(shí)別效果，準(zhǔn)確率為93.4％。結(jié)果表明，DCNN是在田間條件下識(shí)別黃瓜病害的可靠工具。Wang等基于Pearson相關(guān)系數(shù)法分析黃瓜霜霉病的影響因素。采用CNN-LSTM（Convolutional Neural Network-Long Short-Term Memory）算法建立黃瓜霜霉病發(fā)病預(yù)測(cè)模型。結(jié)果表明，CNN-LSTM網(wǎng)絡(luò)模型的平均絕對(duì)誤差（MAE）、均方誤差（MSE）、均方根誤差（RMSE）和決定系數(shù)（R2）分別為0.069、0.009 8、0.0991和0.912 7。

近年來(lái)，隨著語(yǔ)義分割網(wǎng)絡(luò)模型如Unet和DeepLab的涌現(xiàn)，基于語(yǔ)義分割的圖像分割方法逐步成為圖像分割領(lǐng)域新的發(fā)展趨勢(shì)。例如，Lin等提出了一種基于CNN的語(yǔ)義分割模型，可以實(shí)現(xiàn)像素級(jí)分割黃瓜葉片圖像上的白粉病，他們?cè)?0個(gè)測(cè)試樣本上實(shí)現(xiàn)了96.08％的平均像素準(zhǔn)確率、72.11％的交并比和83.45％的Dice準(zhǔn)確率。該方法優(yōu)于現(xiàn)有的圖像分割方法、K-means、隨機(jī)森林和梯度提升決策樹(shù)方法，為黃瓜育種者評(píng)估白粉病的嚴(yán)重程度提供了有價(jià)值的工具。Tasssi等提出了一個(gè)集成框架，能夠使用Mask RCNN、UNet及PSPNet網(wǎng)絡(luò)自動(dòng)檢測(cè)和識(shí)別田間圖像中咖啡（Coffea L.）作物的病蟲(chóng)害。對(duì)于MaskR-CNN網(wǎng)絡(luò)，擁有73.90％的準(zhǔn)確率和71.90％的召回率。對(duì)于UNet和PSPNet網(wǎng)絡(luò)，具有94.25％和93.54％的平均交集比。Yang等針對(duì)SegFormer特征融合不平衡導(dǎo)致分割精度差的問(wèn)題，提出了高效通道注意力模型SegFormer（ECA-SegFormer）處理自然采集條件下的黃瓜葉片病斑圖像。測(cè)試結(jié)果表明，ECA-SegFormer的平均像素準(zhǔn)確率為38.03％，平均交并比為60.86％，分別比SegFormer高出14.55％和1.47％。證明ECA-SegFormer優(yōu)于原始SegFormer模型，能夠適應(yīng)自然環(huán)境中黃瓜葉斑病的精確分割。Khan等提出了由CNN、長(zhǎng)短期記憶（LSTM）和自我注意（SA）模塊組成的混合模型，并使用測(cè)試數(shù)據(jù)集、5倍交叉驗(yàn)證、HosmerLemeshow檢驗(yàn)、均方根誤差（RMSE）和平均絕對(duì)百分比誤差（MAPE）對(duì)模型的適用性進(jìn)行評(píng)估。驗(yàn)證樣品的準(zhǔn)確率為97.51％，平均損失為0.110。此外，該模型獲得了最小RMSE、MAPE和Hosmer Lemeshow檢驗(yàn)值，表明該模型性能較好。然而，若僅考慮植物葉片受損部位的識(shí)別與分割，而不對(duì)葉片受損程度進(jìn)行定量評(píng)估，則無(wú)法在植物保護(hù)領(lǐng)域發(fā)揮關(guān)鍵性作用。

語(yǔ)義分割網(wǎng)絡(luò)模型不僅可以用于植物葉片受損部位的識(shí)別與分割，同時(shí)也能對(duì)植物葉片受損程度進(jìn)行分等定級(jí)。鄭志雄等提出了一種利用高光譜成像技術(shù)進(jìn)行水稻（Oryza sativa L.）葉瘟病分級(jí)的方法，該方法通過(guò)結(jié)合原始圖像和掩模圖像去除背景信息，并在獲取單葉片的高光譜圖像后進(jìn)一步完成圖像分割。Zhang等基于與溫室黃瓜霜霉病實(shí)際嚴(yán)重程度值高度相關(guān)的圖像特征，構(gòu)建了淺層機(jī)器學(xué)習(xí)模型，包括支持向量機(jī)同歸和反向傳播神經(jīng)網(wǎng)絡(luò)?；?種模型，評(píng)估了黃瓜霜霉病的病情嚴(yán)重度。結(jié)果表明：模型估算的溫室黃瓜霜霉病嚴(yán)重程度與實(shí)際值呈較好的線性關(guān)系?；贑NN的模型準(zhǔn)確率最高，R2和NRMSE分別為0.919和23.33％，利用黃瓜霜霉病的數(shù)字圖像和卷積神經(jīng)網(wǎng)絡(luò)估計(jì)模型，可以準(zhǔn)確估計(jì)溫室黃瓜霜霉病的病情嚴(yán)重程度，為科學(xué)控制溫室黃瓜霜霉病、減少農(nóng)藥使用提供支持。Yao等基于深度學(xué)習(xí)，提出了一個(gè)集成框架，利用不同的語(yǔ)義分割網(wǎng)絡(luò)自動(dòng)分割黃瓜圖像中的目標(biāo)葉片和病斑，然后通過(guò)計(jì)算病斑面積對(duì)目標(biāo)葉片進(jìn)行病害嚴(yán)重程度分級(jí)。該模型在像素水平上表現(xiàn)出較強(qiáng)的黃瓜葉片和病斑分割能力，為評(píng)估黃瓜霜霉病和炭疽病的嚴(yán)重程度提供了一種可行的方法。圖像實(shí)例分割是在語(yǔ)義分割的基礎(chǔ)上進(jìn)一步細(xì)化，例如Mask R-CNN模型，該模型可以分離對(duì)象的前景與背景，實(shí)現(xiàn)像素級(jí)別的對(duì)象分離。王梁等以自然環(huán)境中的油茶（Camellia oleifera Abel.）果為研究對(duì)象，綜合考慮樹(shù)葉遮擋、果實(shí)重疊、背景差異、果實(shí)顏色及光照條件等因素，采用Mask R-CNN模型進(jìn)行油茶果的檢測(cè)與識(shí)別，最終達(dá)到了89.42％的平均識(shí)別精度。章永龍等在原始Mask R-CNN模型的基礎(chǔ)上，結(jié)合Sobel算子進(jìn)行邊緣檢測(cè)，提出了一種改進(jìn)的深度卷積網(wǎng)絡(luò)模型。該模型的精確率、召回率和交并比分別達(dá)到99.1％、94.87％和92.18％，比原始Mask R-CNN模型分別提升了1.28％、1.13％和1.05％，顯著改善了鋸齒狀邊緣的葉片分割效果。

本文通過(guò)Mask R-CNN模型和預(yù)訓(xùn)練模型Segment Anything（SAM），在對(duì)核桃葉片焦葉部位識(shí)別和分割的基礎(chǔ)上，實(shí)現(xiàn)對(duì)核桃葉片焦葉程度的定量化計(jì)算，為開(kāi)展不同嚴(yán)重程度的焦葉癥預(yù)防和后期綜合治理提供科學(xué)依據(jù)。以期發(fā)現(xiàn)不僅能夠解決復(fù)雜背景下核桃葉片焦葉部位的識(shí)別與分割，還能準(zhǔn)確估計(jì)焦葉的嚴(yán)重程度的方法。