编辑推荐：
本综述聚焦语义分割在苹果病害检测中的应用，系统梳理传统到前沿技术，涵盖数据集制备、分割与评估全流程，分析现存研究空白，提出未来方向，助力提升分割性能，推动苹果病害精准检测与农业领域技术发展。
苹果作为重要水果作物，易受多种病害影响，严重威胁产量与品质。语义分割通过像素级分类，能精准识别植物各部位及病害，在苹果病害检测中具重要价值。
1. 苹果病害检测与语义分割的重要性
苹果病害如链格孢斑点、疮痂病等，可导致落叶、果实病变，影响商品价值，还需大量化学防治，带来环境与健康风险。传统人工检测主观耗时，基于机器视觉的深度学习技术应运而生。语义分割能解决传统分类与定位方法在边界界定、病斑量化等方面的不足，为病害严重程度评估和精准防治提供基础。
2. 文献选取与分类方法
研究采用系统文献综述法，检索多数据库中 2002-2025 年相关文献，聚焦苹果病害检测、语义分割方法及严重程度评估，共筛选 216 篇文献，按方法类型、应用场景等分类分析。
3. 分割方法概述
3.1 传统方法
- 阈值法：通过设定阈值区分前景与背景，如大津法（Otsu）用于叶片与背景分离，但易将病斑误判为背景，对复杂背景适应性差。
- 颜色法：基于颜色强度分割，如 GrabCut 算法结合颜色和像素距离关系分割，需人工交互，对颜色相似区域分割效果差。
- 聚类法：如 K-means 聚类，依赖聚类数和初始质心，对锈病等颜色多样的病害分割误差较大。超像素分割（如 SLIC）将像素聚成超像素，虽提升分割效果，但仍存在健康与病斑像素混杂问题。
- 区域法：如区域生长和标记分水岭算法，需手动或自动设定标记点，对简单背景下的成熟病斑分割效果较好，但对复杂场景适应性不足。
传统方法易受光照、颜色变化影响，对复杂背景和精细结构分割能力有限。
3.2 基于 CNN 的语义分割模型
- U-Net：采用编解码结构与跳跃连接，保留空间信息，在苹果叶片和病斑分割中表现优异，如对 Alternaria 叶斑的分割 MIOU 达 92.05%。
- SegNet：利用最大池化索引重建特征，内存效率高，与 U-Net 性能相当，但对小目标分割稍弱。
- DeepLab 系列：通过空洞卷积和空间金字塔池化（ASPP）捕获多尺度信息，DeepLabV3 + 在苹果叶片和病斑分割中 MIOU 达 97.26%。
- PSPNet：通过金字塔池化提取多尺度特征，叶片分割 MIOU 达 98.42%，但对小病斑和细节分割能力不足。
3.3 基于 Vision Transformer 的语义分割模型
Transformer 引入自注意力机制，能捕获全局依赖。SETR 和 Segformer 等模型在植物病害分割中表现出一定优势，但对小病斑、破碎叶片等细节分割仍有不足，且计算成本较高。
4. 挑战、解决方案与研究空白
4.1 数据集制备
- 挑战：公开数据集多为分类标注，分割标注数据稀缺，且存在数据不平衡、背景复杂等问题。
- 解决方案：采用迁移学习、数据增强（如几何变换、生成对抗网络 GANs）扩充数据，结合少样本学习提升模型泛化能力。
- 空白：缺乏多部位（叶、果、茎）、多病害阶段（早期到严重）的综合数据集，标注标准不统一。
4.2 模型开发
- 挑战：复杂背景下边界分割模糊、小目标漏检、数据不平衡影响模型性能。
- 解决方案：改进模型结构，如引入边缘信息提取模块、多尺度特征融合；采用注意力机制（如 CBAM、ECA）聚焦关键区域；设计自适应损失函数（如焦点损失、骰子损失）处理不平衡问题。
- 空白：模型对多病害同时存在的分割能力不足，缺乏可解释性分析。
4.3 评估方法
- 指标：常用像素精度（PA）、交并比（MIOU）、F1 分数等，需结合类间平衡评估。
- 可视化与消融研究：通过可视化分析模型决策过程，消融研究验证各模块有效性，但现有研究对健康类评估和类间差异分析不足。
5. 多光谱与高光谱成像
多光谱和高光谱成像能捕捉肉眼不可见的光谱信息，用于早期病害检测。如近红外（NIR）成像结合阈值法检测苹果 bruise，F1 分数达 94.70%。但设备复杂、预处理要求高，需进一步探索其与 RGB 图像的融合应用。
6. 苹果病害严重程度评估
基于分割结果计算病斑面积占比，结合颜色、形状等特征，可将病害严重程度分为健康、早期、轻度、中度、重度等等级。现有工具如 Leaf Doctor 通过交互式分割辅助评估，但自动化程度和多场景适应性有待提升。
7. 语义分割的成本分析
- 数据收集与处理：传统方法成本低，深度学习需大量标注数据，多模态数据收集成本更高。
- 计算成本：传统方法推理时间短，深度学习模型参数量大、计算复杂，轻量化模型（如 MixSeg）是发展方向。
8. 结论与未来方向
语义分割在苹果病害检测中已取得显著进展，未来需进一步提升模型对多病害、小目标的分割能力，结合多模态数据和可解释性技术，降低计算成本，推动实时检测系统在农业中的应用。重点研究方向包括：多任务学习实现病害识别与分割、跨域迁移学习适应不同场景、轻量化模型部署于移动设备、结合物联网实现果园实时监测等。
