KANWave-Mamba:一种基于Kolmogorov-Arnold网络和小波引导技术的稻叶病图像分割方法

《Expert Systems with Applications》:KANWave-Mamba: A Rice Leaf Disease Image Segmentation Method Based on Kolmogorov-Arnold Network and Wavelet-Guided Mamba

【字体: 大 中 小 】 时间:2026年01月10日 来源:Expert Systems with Applications 7.5

编辑推荐:

  智能农业中水稻叶片病害图像分割模型KANWave-Mamba提出,结合Kolmogorov-Arnold网络与Mamba结构,通过WKESS模块优化病害边缘建模,KDASS模块增强关键区域感知,DAFE模块减少上采样信息损失,有效解决形态多样、边缘模糊及背景复杂问题,在公共数据集上mIoU达85.5%,在苹果叶数据集上表现优异。

  
在智能农业领域,植物叶片病害的精准分割对疾病防控和产量保障具有关键作用。水稻叶片病害的识别面临三大核心挑战:首先,病害形态呈现显著多样性,包括褐斑病和条纹叶枯病等不同病理特征;其次,叶片边缘存在模糊过渡现象,传统阈值分割难以有效捕捉;再者,田间复杂背景干扰严重,尤其是水稻田中与病害区域纹理、色调高度相似的背景基底,导致传统分割方法准确率下降。针对上述难题,研究者提出KANWave-Mamba创新架构,通过融合可学习的非线性激活函数与动态状态空间建模,实现病害区域的精细化分割。

智能农业图像分割的发展经历了三个阶段的技术迭代。早期CNN架构依赖局部卷积核特征提取,虽然能捕捉边缘纹理,但存在全局感知能力受限的问题。以U-Net为代表的改进模型通过跳跃连接整合多尺度特征,显著提升了分割精度。然而,当面对多形态病害和复杂背景干扰时,传统CNN的局部特征提取机制容易遗漏关键信息。为突破这一瓶颈,Transformer架构凭借全局注意力机制获得关注,但计算复杂度高且局部细节捕捉不足,导致在田间图像分割中效果不稳定。

当前主流方法主要存在两大技术痛点:其一,形态多样性建模不足,特别是对不规则病灶边界(如褐斑病边缘的晕染效应)缺乏有效表征;其二,背景干扰处理能力薄弱,当病害区域与田间背景存在色度/纹理相似性时,容易引发误分割。针对这些问题,新型架构KANWave-Mamba通过三阶段协同优化实现突破:

1. **多尺度特征解耦与融合机制**:核心模块WKESS(Wavelet-Guided KAN-Enhanced State Space Module)采用Haar小波变换并行处理,将输入图像解构为低频结构信息和高频细节特征。这种多通道特征并行处理机制,有效解决了传统单通道特征提取在形态多样性建模中的不足。通过设计可学习的激活函数模块,系统可动态调整不同频段特征的权重分配,特别是在处理褐斑病边缘模糊问题时,能自适应增强边界轮廓特征。

2. **双维注意力动态聚焦**:KDASS(KAN-Enhanced Dual-Attention State Space Module)创新性地将通道-空间双注意力机制引入状态空间模型。该模块通过分别提取通道维度的病害共性特征(如叶脉走向)和空间维度的病灶局部特征(如病斑形状),再利用可学习的激活函数进行非线性融合。这种设计使得模型在复杂背景下既能捕捉宏观病害分布,又能精准定位微观病灶细节,显著提升对条纹叶枯病等形态差异大的病害识别能力。

3. **动态自适应特征扩展**:DAFE(Dynamic Adaptive Feature Expansion Module)突破传统上采样方法的信息损失瓶颈,采用KANLinear非线性变换结合张量重组织技术。通过引入B样条基函数构建的可学习激活函数,系统可自适应调整特征空间的非线性映射关系,在保持特征完整性的同时实现高效扩展。实验表明,该方法在水稻田背景干扰强度达3σ的情况下,仍能保持85%以上的边界定位精度。

跨作物验证实验显示,该架构在苹果病害分割任务中取得86.2% mIoU和85.0% Dice值,验证了模型在形态差异大(如褐斑病与叶霉病)、背景干扰复杂(如果园杂草与病害区域相似性)场景下的泛化能力。特别在应对病害区域与背景色度相似度超过0.8的情况时,KANWave-Mamba通过动态特征调整机制,将误分割率降低至传统方法的1/3。

该研究在方法创新层面实现三大突破:其一,首次将可学习的激活函数(KAN)与状态空间模型(Mamba)深度融合,构建非线性特征映射能力;其二,开发多频段小波引导的特征解耦方法,有效分离病害核心区域与边缘过渡区;其三,提出动态自适应的特征扩展算法,在保持特征完整性的同时实现高效上采样。这些创新共同解决了农业图像分割中普遍存在的形态多样性建模、全局-局部特征平衡、背景干扰抑制三大技术难题。

实验数据表明,在公共数据集RLDSD上,模型达到85.5% mIoU和84.0% Dice,较现有最优方法提升4.2个百分点。跨作物测试中,苹果病害分割精度达到86.2% mIoU,验证了模型在不同作物场景下的普适性。消融实验进一步揭示,通道-空间双注意力机制使特征融合精度提升19.8%,而动态自适应扩展模块将边缘定位误差缩小至2.3像素量级。

该架构的工程实现具有显著优势:首先,通过状态空间模型的并行计算机制,推理速度比同类Transformer模型提升40%;其次,可学习的激活函数使模型具备环境适应能力,在土壤湿度变化15%-25%的实验条件下,分割精度波动控制在±1.2%以内;最后,模块化设计支持灵活扩展,已成功集成多光谱传感器数据输入模块,实现从可见光到近红外的跨波段融合。

在农业应用场景中,KANWave-Mamba展现出独特的实用价值。田间试验表明,该模型在无人机航拍图像(分辨率5cm)上可实现亚像素级分割,对10×10cm2微小病斑(面积占比<1%)的识别准确率达92.3%。结合自适应背景抑制算法,在水稻叶面背景相似度达0.87的条件下,仍能保持83.6%的病灶分割精度。实际部署测试显示,系统在4G网络环境下可实现实时处理(30fps),为精准农业提供了可靠的技术支撑。

未来研究方向将聚焦于三个维度:首先,探索多模态数据融合机制,计划集成热成像数据以增强病害早期诊断能力;其次,开发轻量化边缘计算版本,目标在NVIDIA Jetson Nano平台实现15fps实时处理;最后,构建自适应学习框架,使模型能根据田间环境动态调整参数。这些技术延伸将进一步提升模型在复杂农业生产场景中的实用价值。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号