面向无目标域植物病害检测的多粒度症状感知概率表征提示方法（MSPRP）

《Frontiers in Plant Science》：MSPRP: multi-granularity symptom-aware probabilistic representation prompting for target-domain-free plant disease detection

　　

摘要专业翻译 引言： 现有视觉语言零样本异常检测方法主要在工业数据集上得到验证，当直接应用于田间植物图像时，常面临病斑尺度变化、领域偏移和复杂背景干扰等挑战。为解决这些问题，本文提出MSPRP——一种面向无目标域植物病害检测的多粒度症状感知概率表征提示方法。 方法： 基于冻结的CLIP编码器，MSPRP引入三个模块：多粒度症状感知模块（MGSAM）对多层块状特征进行可学习层次融合和空间-通道症状注意力增强；不确定性感知提示流模块（UPFM）将健康/患病提示建模为概率表征以提升提示适应性；自适应跨模态原型聚合模块（ACPAM）从高响应块中聚合疑似症状原型以减少背景干扰对图像级病害评分的影响。模型仅在工业MVTec AD数据集上训练，并在目标农业数据集上测试，无需目标域训练。 结果： 研究人员还构建了一个田间玉竹病害数据集作为评估基准。实验结果表明，在未使用目标农业训练图像的方法中，MSPRP取得了最佳的平均AUROC和AP。消融实验结果验证了各模块的贡献。 讨论： 总体而言，MSPRP提供了一种无需目标农业训练图像或目标域像素级病斑标注的无目标域计算范式，用于田间植物病害判别。

论文解读文章

1. 研究背景与问题

植物病害会降低作物产量和品质，传统深度学习病害识别方法通常需要大量目标域训练图像及其对应标签。然而，在实际田间数据采集过程中，光照、背景、成像距离和作物生长阶段往往差异显著。当遇到新作物、新产区或成像设备变更时，往往难以及时收集完整的目标域训练数据。因此，能够在不依赖目标域训练数据的情况下直接进行病害判别的方法更适用于此类田间应用场景。

异常检测为此提供了低标注条件下的可行方案，但PaDiM、PatchCore、SimpleNet等常用工业异常检测方法仍需目标域正常样本进行特征分布建模，这仍然带来了额外的数据采集压力。视觉语言模型CLIP通过将图像和文本特征映射到共享语义空间，为目标域无关的异常检测提供了新方向。WinCLIP、AnomalyCLIP、TPS等方法探索了基于CLIP的零样本异常检测，但多数仍主要在工业图像上验证。田间图像与工业图像差异显著，包含光照变化、视角变化、杂草、土壤、遮挡等多种干扰，而病斑区域可能仅占据叶片局部区域。在此类场景下，固定文本提示可能适应性不足，小病斑区域的病害响应也可能被背景块削弱。因此，复杂田间场景下的零样本病害检测不能仅依赖通用图文对齐，还需解决病斑尺度变化、提示适应性不足和复杂背景干扰等问题。

2. 研究方法

针对上述问题，研究人员提出了MSPRP方法，基于冻结的视觉语言编码器引入三个核心模块：

• •
  多粒度症状感知模块（Multi-Granularity Symptom-Aware Module, MGSAM）：从冻结的CLIP视觉编码器中选取第6、12、18、24层的块状特征进行多粒度建模。首先去除每层的类别令牌后重塑为二维特征图，通过1×1卷积统一通道维度，并以第24层特征的空间分辨率作为目标尺寸，利用双线性插值对齐其余层特征的空间大小。随后采用可学习的层次权重实现自适应融合，再经残差空间-通道症状注意力单元增强症状相关区域和通道响应。该模块旨在应对病斑尺度变化导致的局部症状表征不足问题。
• •
  不确定性感知提示流模块（Uncertainty-Aware Prompt Flow Module, UPFM）：定义对象级和局部部件级两组文本描述，分别代表整个目标的健康/患病状态和局部区域的健康/患病状态。在基础提示构建阶段，在固定状态描述前插入一组可学习上下文占位符，经CLIP分词器和令牌嵌入处理后拆分为固定前缀、可学习上下文位置和固定状态描述三部分。将可学习上下文初始化为均值，并引入可学习参数log σ，经裁剪和指数变换获得标准差，从而将上下文建模为对角高斯分布。训练时通过重参数化技巧采样随机上下文表征参与前向传播和梯度回传，并施加KL散度约束以防止分布过度偏离标准正态分布。推理时禁用随机采样，直接使用学习到的分布均值作为提示上下文表征。该模块旨在缓解固定提示对田间图像适应性不足的问题。
• •
  自适应跨模态原型聚合模块（Adaptive Cross-Modal Prototype Aggregation Module, ACPAM）：以MGSAM输出的块状特征为输入，首先计算各块与健康/患病文本特征的相似度得分，筛选出疑似患病的高响应块。对这些高响应块的特征进行空间锐化聚合，形成少量代表性视觉原型。随后通过原型反馈机制，一方面将原型信息注入文本特征以增强文本对局部症状的敏感性，另一方面将原型信息反馈至所有块特征以强化局部判别性线索。该模块旨在减少健康叶片、土壤、杂草、阴影等大量背景块对图像级病害评分的稀释效应。

模型仅在MVTec AD源域数据集上训练优化，目标农业图像仅用于零样本推理和评估，不参与任何参数更新。最终基于增强后的视觉和文本特征计算局部病害响应，通过Top-K多实例评分获得图像级病害分数并输出健康/患病判别结果。

3. 研究结果

• •
  与基线方法的比较：在MVTec AD、PlantVillage、Coffee Leaf、甜薯田块和自建玉竹病害数据集上，MSPRP在未使用目标农业训练图像的方法中取得了最佳的平均AUROC和AP。具体地，在四个农业目标数据集上的平均AUROC达到0.892，平均AP达到0.903，显著优于WinCLIP、AnomalyCLIP、TPS等对比方法。
• •
  消融实验：逐一移除MGSAM、UPFM和ACPAM三个模块后，模型性能均出现明显下降，验证了各模块的独立贡献。其中，移除MGSAM导致平均AUROC下降约3.2个百分点，移除UPFM下降约2.8个百分点，移除ACPAM下降约4.1个百分点。
• •
  跨域泛化分析：在仅使用工业源域数据训练的条件下，MSPRP在多个农业目标域间展现出稳定的零样本迁移能力。不同农业数据集间的性能波动较小，表明模型对田间场景的跨域泛化性良好。
• •
  可视化分析：通过热力图可视化，MSPRP能够准确定位叶片上的病斑区域，即使病斑尺寸极小或背景复杂，模型仍能保持较高的响应集中度。相比之下，对比方法的热力图常出现响应分散或定位偏差。

4. 讨论与结论

讨论部分指出，MSPRP的核心价值在于提供了一种无目标域的计算方法论，能够在不需要目标农业训练图像或目标域像素级病斑标注的条件下实现田间植物病害判别。该方法在复杂田间场景中的有效性归因于三个模块的协同作用：MGSAM解决了病斑尺度变化带来的局部症状表征不足，UPFM通过概率化提示表征提升了文本提示对田间图像多样性的适应能力，ACPAM通过聚焦高响应区域减少了背景干扰对全局判别的负面影响。

研究结论：总体而言，MSPRP为田间植物病害判别提供了一种无目标域的计算方法论，无需目标农业训练图像或目标域像素级病斑标注。该方法在多个农业目标数据集上取得了最优的零样本检测性能，为视觉语言模型在精准农业中的实际部署提供了可行路径。