基于改进HRNet与DRL-Watershed算法的苹果叶片病害严重度分级方法研究

本研究针对复杂背景下苹果叶片病害区域快速精准分割与严重度评估的难题，提出融合改进HRNet与DRL-Watershed算法的分级方法。通过引入归一化注意力机制(NAM)和混合损失函数，实现叶片与病斑像素级分割(mIoU达88.91%)；结合深度强化学习优化的分水岭算法，有效解决叶片重叠干扰，严重度评估准确率达97.65%，为果园精准植保提供新技术支撑。

　　

苹果叶片病害精准评估的技术突破

苹果作为全球重要的经济作物，其产量与品质直接影响农业经济。然而，高温高湿环境下爆发的叶部病害严重削弱叶片光合效率，传统依赖人工观察的评估方法存在主观性强、效率低下等问题。尽管现有基于深度学习的检测技术取得进展，但面对果园中叶片重叠、背景复杂等现实场景时，仍存在病斑分割不精准、严重度评估失准等瓶颈问题。

山西农业大学基础部与信息科学与工程学院的研究团队在《Scientific Reports》发表创新成果，提出融合改进HRNet与深度强化学习优化分水岭算法(DRL-Watershed)的评估体系。该研究首先构建包含4类病害（Alternaria Blotch、Brown Spot等）的果园实景数据集，通过旋转、亮度扰动等增强手段扩充至2085张图像。技术核心包括：1)采用HRNet_w32骨干网络嵌入NAM注意力机制，增强病斑特征提取能力；2)结合Dice Loss与Focal Loss解决类别不平衡问题；3)创新应用DRL-Watershed算法实现重叠叶片的精准分离。

关键研究发现

改进HRNet的语义分割性能

改进后的HRNet模型在测试集上实现mIoU 88.91%，较原模型提升8.77个百分点。其中Alternaria Blotch分割效果提升最显著（IoU提高11.54%），得益于NAM机制对局部病斑特征的强化关注。

多叶片场景的精准处理

针对单叶、分离多叶和重叠多叶三种场景，DRL-Watershed算法分别实现47%、26.26%和32%的病斑占比计算，较传统方法能更精确反映个体叶片的真实受害程度。如图12所示，该算法通过形态学梯度与距离变换，有效区分重叠叶片的边界区域。

严重度分级验证

基于山西地方标准DB14/T 143-2019建立的6级分级体系，模型在测试集上整体准确率达97.65%。混淆矩阵显示（图15），Level 3及以上严重度的误判率显著降低，特别是重叠叶片场景中Level 7的评估准确率提升明显。

研究意义与展望

该研究首次将深度强化学习与传统图像处理算法结合，突破复杂果园环境下叶片病害定量评估的技术瓶颈。改进HRNet的高分辨率特征保持能力与DRL-Watershed的空间拓扑分析形成互补，为农业机器人视觉系统提供新思路。当前局限在于极端光照条件可能影响叶片分割精度，未来可通过引入偏振成像或多光谱信息进一步提升鲁棒性。这项成果不仅适用于苹果病害管理，其技术框架也可拓展至其他作物表型分析领域，推动智慧农业从实验室走向田间应用。