CMSAF-Net：基于多尺度卷积注意力与自适应上采样的梨树叶病精准分割网络

针对梨树叶病复杂背景下病灶区域分割精度不足的问题，Jie Ding团队提出CMSAF-Net模型，集成MBCA多尺度特征提取、SAUP自适应上采样和CGAG跨层门控对齐模块，在自建数据集上实现MIoU 88.65%、Dice 93.86%的突破性性能，为智慧农业病害监测提供高效解决方案。

　　

梨树作为全球重要经济作物，其叶片病害如锈病、褐斑病和卷叶病会显著降低果实品质与产量。传统病害检测依赖人工观察，效率低下且易受主观影响。随着精准农业的发展，基于深度学习的图像分割技术成为研究热点，但现有方法面临三大挑战：复杂背景干扰、病灶形态多变导致的边缘模糊、多尺度特征融合不足。主流模型如Unet++和DeepLabv3+在全局语义与局部细节的平衡上存在局限，而纯Transformer架构的TransUNet虽能建模长程依赖，却忽视边界信息。

为突破这些瓶颈，安徽农业大学的Jie Ding团队在《Plant Methods》发表研究，提出CMSAF-Net模型。该工作通过创新性模块设计实现三大突破：1）MBCA模块融合通道分组金字塔卷积(CGPC)与路由Transformer注意力(RTCA)，同步捕获病灶多尺度特征；2）SAUP模块引入动态注意力机制，解决上采样过程中的细节丢失问题；3）CGAG模块通过离散余弦变换(DCT)增强高频特征，结合门控结构优化跨层特征对齐。实验表明，模型在自建数据集（含3100张增强图像）上MIoU达88.65%，较Unet++提升2.45%，推理速度达41.75 FPS，为农业病害智能诊断树立新标杆。

关键技术方法包括：1）使用ResNet18预训练权重初始化编码器；2）构建含1564张标注图像的梨树叶病数据集（锈病1046例、褐斑病461例、卷叶病157例）；3）采用随机色彩抖动、高斯噪声注入等数据增强策略；4）评估指标涵盖MIoU、MPA、Dice及计算效率(GFLOPs)。

多尺度特征提取验证
通过对比不同卷积核组合（3×3至9×9），证明多尺度卷积使MIoU提升至84.74%。RTCA模块采用Top-k路由机制，较传统CBAM注意力提升1.35% MIoU。

跨层特征融合优化
CGAG模块通过DCT提取高频特征，使边缘检测Dice提高0.5%。门控结构有效缓解了编码器-解码器间的语义鸿沟。

预训练权重影响
实验发现PVT_v2_b2使用ImageNet预训练后MIoU跃升9.34%，证实Transformer架构更依赖预训练知识迁移。

该研究创新性地将频域分析与动态注意力结合，为农业病害分割提供新范式。未来可探索模型轻量化部署至移动终端，并扩展至其他作物病害诊断。研究获安徽省科技创新项目（202423k09020031）和北斗精准农业信息开放基金（BDSYS2021003）支持，具有显著的理论价值与产业应用前景。