摘要
叶片病害的准确分割对于农作物病害监测和精准农业至关重要。然而，大多数现有方法依赖于像素级标注，而在实际农业场景中，这类标注成本高昂且难以获取。弱监督方法虽然缓解了这一问题，但往往存在病害定位不完整和背景干扰等缺陷。此外，近期的基础分割模型展现了强大的泛化能力，但其性能在很大程度上取决于提示（prompt）的质量，而高质量的提示难以自动设计。为应对上述挑战，本文提出了一种弱监督病害分割框架，该框架融合了概率特征解耦与基于强化学习的提示优化。首先，引入概率类激活图（CAM）来建模病害置信度并指导特征解耦，从而有效抑制背景噪声。其次，设计双重损失约束，通过同时施加区域一致性约束和结构正则约束来提升伪掩码的质量。最后，开发了一种提示优化策略，能够自动选择信息量丰富的提示，使基础分割模型无需人工交互即可细化病害边界。在多个农业数据集上的实验结果表明，所提方法相较于现有弱监督基线方法具有显著优势。具体而言，该方法在苹果叶片病害数据集上取得了45.6%的平均交并比（mIoU）和57.1%的Dice系数。结果表明，所提框架能够有效降低标注成本，同时提供可靠的分割性能，展现出在实际农业应用中的潜力。
