基于位置引导病变表征学习与图像生成的植物叶片病害严重度评估方法

为解决复杂背景下植物叶片病害严重度评估易受背景干扰的问题，研究人员提出了一种基于图像生成的位置引导病变表征学习（LLRL）方法。该方法通过扩散模型（IG-Net）构建健康-病变叶片图像对，利用LGR-Net提取病变区域先验知识，结合HLFA-Net实现分层特征融合评估。实验表明，该方法在苹果、马铃薯和番茄三类作物数据集上准确率提升至少1%，为精准农业中的农药施用提供了可靠技术支撑。

　　

植物病害严重度评估的困境与突破
全球粮食安全正面临植物病害的严峻挑战，每年因病害导致的农作物减产高达13%-22%。传统依赖人工经验或生化分析的评估方法存在主观性强、效率低下等问题，而现有基于深度学习的分类模型虽能识别病害类型，却难以量化严重程度，导致农药滥用和环境污染。更棘手的是，复杂田间背景常干扰模型对病变区域的准确识别——现有方法往往将健康组织误判为病变，严重影响评估精度。

针对这一系列问题，中国某研究团队在《Plant Phenomics》发表了一项创新研究，提出基于位置引导病变表征学习（Location-guided Lesion Representation Learning, LLRL）的评估框架。该研究通过三个阶段实现突破：首先利用扩散模型（Image Generation Network, IG-Net）生成健康-病变叶片图像对，解决真实场景中配对数据获取难题；随后设计双分支特征编码器（Dual-branch Feature Encoder, DBF-Enc）通过差异对比精准定位病变区域；最终结合分层注意力机制实现严重度分级。实验证明该方法在自建的12,098张叶片数据集上准确率达92.43%，较现有模型提升至少1%，为智能农业中的精准植保提供了新范式。

关键技术方法
研究团队构建了包含苹果、马铃薯和番茄三类作物的LDS数据集（12,098张真实图像）和LHD数据集（10,808张生成图像）。核心技术包括：1）基于扩散模型的IG-Net生成病变叶片；2）LGR-Net通过层级特征提取器（HFE）与信息聚合器（IA）的跨层交互实现病变定位；3）HLFA-Net采用级联通道-空间注意力机制融合多尺度特征。模型训练采用两阶段策略，先预训练LGR-Net获取病变先验知识，再冻结DBF-Enc参数训练评估网络。

研究结果
3.1 定量对比
在真实与生成数据混合测试中，LLRL以84.85%准确率显著优于12种对比模型（如ResNet34的83.99%）。特别在真实数据测试集上，其92.43%的准确率验证了方法在复杂背景下的鲁棒性。

3.3 LGR-Net模块验证
消融实验显示，完整DBF-Enc（含预训练IA）使准确率提升至92.43%，证明跨层特征融合模块（CFFM）和预训练策略对病变定位至关重要。

3.5 特定作物评估
在单一作物测试中，LLRL对苹果病害的评估准确率高达98.51%，番茄和马铃薯分别达93.67%和91.14%，证实方法具备跨物种适应性。

3.6 病变区域可视化
LGR-Net的病变定位IoU达0.934，可视化结果显示其能精准区分健康与病变组织（图7），显著优于ResNet18的模糊边界识别。

3.8 决策可解释性
Grad-CAM热图显示，模型注意力随病害等级提升逐渐聚焦病变区域（图9），与病理学特征演变规律高度吻合。

研究结论与展望
该研究通过生成对抗与位置引导学习的创新结合，首次实现了植物病害严重度的自动化精准评估。方法的核心优势在于：1）利用图像生成技术突破配对数据瓶颈；2）通过差异学习机制抑制背景干扰；3）层级注意力架构增强病变特征表达。实际应用中，该方法可与无人机、移动终端结合，实现农田病害的实时监测与精准施药。

当前局限在于生成图像的病变纹理真实性不足，未来可通过改进扩散模型和扩充多作物数据集进一步优化。这项研究不仅为智慧农业提供了关键技术支撑，其"生成-定位-评估"的三段式框架也为其他农业表型分析任务提供了新思路。研究团队已公开全部代码和数据集（http://llrl.samlab.cn/），将推动该领域的技术共享与创新发展。