基于PLPNet的番茄葉片病害圖像精確檢測方法研究

中南林業(yè)科技大學(xué)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(shù)病害都由葉部開始發(fā)病，接著蔓延到整個植株�；�于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)能夠識別病害的類別同時定位發(fā)病區(qū)域的準(zhǔn)確位置。但當(dāng)前番茄葉片病害檢測過程中存在幾個問題：（a）類內(nèi)差異性。由于不同病斑發(fā)病時的環(huán)境不同，同種病害往往呈現(xiàn)出不同的病理狀態(tài)。這使得檢測網(wǎng)絡(luò)容易忽略這樣的混合特征。（b）泥土背景干擾。真實環(huán)境中，番茄的土壤環(huán)境往往與某些病害有著相似的顏色特征。當(dāng)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(dāng)病斑發(fā)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(dǎo)致檢測網(wǎng)絡(luò)產(chǎn)生誤判。（c）類間相似性。大量的研究已經(jīng)探討了利用生物形態(tài)（形狀和結(jié)構(gòu)）來區(qū)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(zhàn)。
 

2023年5月， Plant Phenomics 在線發(fā)表了中南林業(yè)科技大學(xué)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(biāo)檢測方法PLPNet。它的網(wǎng)絡(luò)模型結(jié)構(gòu)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(wǎng)絡(luò)中CSPLayer的所有普通卷積。構(gòu)造的PAC-CSPLayer用以提取更豐富的病害特征，提高網(wǎng)絡(luò)的全局感受能力。在特征信息進(jìn)入融合階段前，我們提出了LRAM并把它添加到骨干網(wǎng)絡(luò)與金字塔結(jié)構(gòu)的連接處。它減少無關(guān)信息進(jìn)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(jié)構(gòu)能夠更好地融合不同骨干網(wǎng)絡(luò)層的特征信息。它為網(wǎng)絡(luò)后續(xù)的檢測階段提供更好的分類和檢測建議。
 

圖3 PLPNet的網(wǎng)絡(luò)結(jié)構(gòu)圖

本文創(chuàng)新點如下：a.提出了一種感知自適應(yīng)卷積(Perceptual Adaptive Convolution, PAC)。該模塊能夠根據(jù)病害區(qū)域的特點調(diào)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(wǎng)絡(luò)對目標(biāo)周圍信息的關(guān)聯(lián)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(biāo)區(qū)域賦予了更大的權(quán)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(fù)用細(xì)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(wǎng)絡(luò)對特征圖的淺層視覺信息和深層語義信息進(jìn)行融合。該結(jié)構(gòu)有效融合了細(xì)微的區(qū)分特征，極大提升了病害檢測的精度。
 

該研究由中南林業(yè)科技大學(xué)、國防科學(xué)技術(shù)大學(xué)、愛達(dá)荷大學(xué)、湖南省植物保護(hù)研究所合作完成。中南林業(yè)科技大學(xué)唐智文為該文第一作者，周國雄為該文通訊作者。相關(guān)工作得到長沙市自然科學(xué)基金、國家自然科學(xué)基金等資助。
 

周國雄 教授

論文鏈接：

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

論文數(shù)據(jù)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(biāo)注，自監(jiān)督創(chuàng)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(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會、�？�發(fā)布會等高質(zhì)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(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進(jìn)會（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機器學(xué)習(xí)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(nóng)業(yè)實踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄。科睿唯安JCR2021影響因子為6.961，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。中科院農(nóng)藝學(xué)、植物科學(xué)一區(qū)、遙感二區(qū)、生物大類一區(qū)（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(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
特邀作者：周國雄
排版：張婕（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平