《Agronomy》：DHB-DeepLabV3+: Boundary-Sensitive Context Aggregation Network for Agricultural Disease Segmentation
编辑推荐：
在农业病害图像中，病灶常呈现大尺度变化、不规则形状、渐变边界过渡以及与周围背景高度纹理相似等特征。这些特性使模型在分割过程中易出现病灶主体响应不足、上下文判别偏差以及轮廓定位不稳定等问题。为应对区域表征、语义判别与边界约束失衡所导致的细粒度分割困难，本文提出D
在农业病害图像中，病灶常呈现大尺度变化、不规则形状、渐变边界过渡以及与周围背景高度纹理相似等特征。这些特性使模型在分割过程中易出现病灶主体响应不足、上下文判别偏差以及轮廓定位不稳定等问题。为应对区域表征、语义判别与边界约束失衡所导致的细粒度分割困难，本文提出DHB-DeepLabV3+，一种农业病害图像分割模型。基于轻量化特征提取，所提模型通过联合建模病灶区域、上下文语义与边界结构，将病灶分割组织为超越逐像素分类的任务，从而提升复杂场景下病害区域的完整性与边界稳定性。所提模型在三个数据集上进行了评估，包括水稻病害数据集、叶片病害数据集与PlantSeg数据集。在五次独立运行中，DHB-DeepLabV3+在水稻病害、叶片病害与PlantSeg数据集上分别取得88.45%、82.52%与81.72%的平均mIoU值，对应标准差分别为0.26、0.35与0.38个百分点。轻量化版本将参数量降至6.67 M、计算成本降至2.36 GFLOPs，并部署于RK3568边缘设备进行验证。实验结果表明，所提方法具有稳定的分割性能，并在复杂农业病害分割场景中具备边缘设备应用潜力。
研究背景方面，人工智能技术的进展推动植物病害分析从传统图像级识别向涵盖病害检测、严重度评估、定位与像素级分割的综合智能农业应用发展。基于深度学习的方法在作物健康状态的早期诊断与定量评估中展现出潜力，为精准农业与作物管理决策提供支撑。然而，实际农业环境带来异质背景、光照变化以及不同作物与生长条件下病害外观差异等挑战，显著影响视觉模型在真实场景中的鲁棒性；同时实时应用需求推动低计算成本的轻量化视觉模型发展，模型可解释性亦成为可靠AI辅助农业决策的重要考量。在此框架下，像素级病害分割仍是最具挑战性的任务之一，其难点不仅在于特征提取不足，更在于病灶尺度响应、上下文语义判别与边界结构约束之间缺乏充分协调，模型需具备对小区域的敏感性、对复杂背景的判别力以及对模糊边界的表征能力。DeepLabV3+凭借空洞卷积与空洞空间金字塔池化及轻量解码器适合作为农业病害分割的基础框架，但在真实场景中仍存在局限：其ASPP分支通常独立提取不同尺度特征，融合前缺乏充分交互；解码阶段主要依赖简单拼接恢复空间信息，难以自适应弥合语义上下文与空间细节之间的差距；在常规损失函数监督下，模型易受整体像素分类结果主导，对模糊边界与低置信区域的约束不足，影响病灶边界定位的稳定性。已有研究虽聚焦特征增强与边界引导，但多数工作仍将尺度表征、层次细节恢复与边界约束相分离，难以在同一分割过程中形成对病灶结构完整性的连续建模。为此，研究人员提出DHB-DeepLabV3+，通过增强病灶区域、语义细节与模糊边界之间的协同表达，提升复杂场景下病害区域的完整性与边界稳定性。其贡献包括：设计动态门控特征交互（DGFI）模块增强ASPP结构，使多尺度上下文特征在融合前进行信息交互与自适应筛选；构建由分层门控上下文聚合（HGCA）模块与边界感知特征增强（BAFE）模块组成的解码增强策略，在语义上下文、空间细节与边界结构之间建立更有效关联；提出增强边界敏感损失（EBS Loss），利用多尺度边界先验与预测不确定性强化对模糊边界与易混淆像素的约束；并通过多数据集实验、轻量化评估与RK3568边缘设备部署验证模型的有效性与应用可行性。
关键技术方法方面，研究采用水稻病害数据集（含褐斑病与水稻东格鲁病，保留其固定划分的1592个训练样本与399个测试样本）、叶片病害数据集（588幅原始图像按约8:2划分为470幅训练与118幅测试，训练集扩增至2350幅而测试集保持不变）以及PlantSeg大规模田间植物病害分割数据集（11458幅图像，覆盖34种寄主植物与115个病害类别，按预设划分以每类20%分层选取2295幅测试图像、其余9163幅用于训练）；所有图像统一缩放并归一化后输入网络；以mIoU为主要指标，mAcc、Recall与Dice为补充指标，参数量与GFLOPs评估效率；并在真实标签边界带内采用GT-band精确率、召回率、IoU与F1分数评估边界附近分割性能；各方法在相同实验设置下训练，五次重复运行采用不同随机种子而保持划分固定。
研究结果方面，在不同损失函数比较中，EBS Loss在水稻病害数据集上取得最佳整体分割性能，mIoU为88.45±0.26%、mAcc为92.49±0.35%，较标准CE Loss分别提升1.70与1.63个百分点，较次优的WCE Loss分别提升0.39与0.33个百分点；在叶片病害数据集上取得最高mIoU 82.52±0.35%与mAcc 88.93±0.64%；在GT-band性能上于两个数据集均表现有竞争力，水稻病害数据集上取得最高的GT-band精确率、IoU与F1分数，分别为54.95±0.31%、70.93±0.26%与69.71±1.08%，表明EBS Loss能有效改善真实边界带内的分割一致性。在水稻病害数据集比较中，DHB-DeepLabV3+取得88.23% mIoU与87.39% Dice的最佳结果，较EBMA-Net分别提升1.93与2.43个百分点，同时参数量与计算复杂度由26.08 M与62.95 GFLOPs降至15.81 M与8.51 GFLOPs；轻量版本以6.67 M参数量与2.36 GFLOPs仍取得87.94% mIoU，其Recall与mAcc分别为86.97%与93.19%，均高于标准版本；五次独立运行显示DHB-DeepLabV3+平均mIoU为88.45±0.26%，较EBMA-Net高1.91个百分点，轻量版本平均mIoU为87.75±0.63%。在叶片病害数据集比较中，DHB-DeepLabV3+取得82.46% mIoU、83.23% Dice、81.79% Recall与89.42% mAcc，其中Recall与mAcc为单次评估中最高；EBMA-Net的mIoU与Dice分别高出0.33与0.28个百分点，但计算成本约为所提模型的7.4倍；轻量版本以6.67 M参数量与2.36 GFLOPs取得81.83% mIoU；五次运行中EBMA-Net平均mIoU与Dice略高，而所提模型Recall与mAcc更高，轻量版本平均mIoU为81.90±0.15%。在PlantSeg数据集比较中，DHB-DeepLabV3+取得81.85% mIoU与83.66% Dice，均为所有比较方法中最高，较EBMA-Net分别提升3.12与3.16个百分点，Recall与mAcc分别提升2.00与1.64个百分点；五次运行中DHB-DeepLabV3+平均mIoU为81.72±0.38%，轻量版本为80.62±0.46%且Recall与mAcc高于标准版本；此外AISOA-SSformer与Swin-UNet在PlantSeg上mIoU分别降至73.99%与74.16%，而所提模型在三个数据集上保持一致的较优表现。可视化比较显示，部分比较方法在小病灶、低对比度区域与复杂背景下易出现漏分类、边界粘连或背景误分类，而DHB-DeepLabV3+对主要病灶区域覆盖更完整并在边界过渡区保持良好轮廓一致性，在PlantSeg示例中更有效抑制背景纹理干扰；同时给出的失败案例显示模型在弱病灶对比与复杂纹理干扰下仍存在假阳性、漏区域与覆盖不完整等局限。消融实验在叶片病害数据集上进行，单独加入HGCA使mIoU由78.00%提升至80.18%，单独加入DGFI提升至79.39%，表明语义增强与特征交互的有效性且DGFI以较低计算开销改善分割；单独将BAFE加入Baseline使整体区域级分割分数下降而GT-band平均分数上升，mIoU、Dice、Recall与mAcc分别由78.00%、78.08%、74.93%与85.76%降至76.93%、76.96%、74.08%与85.12%，参数量由5.22 M增至9.69 M、计算成本由4.28增至7.06 GFLOPs，而四项GT-band平均分数均上升，表明边界带内分割改善但未转化为整体性能提升；BAFE的效果依赖模块配置，加入Baseline+HGCA使平均mIoU由80.18%升至80.87%，加入Baseline+DGFI由79.39%升至81.15%，完整模型较HGCA+DGFI配置由81.47%升至82.52%；四种配置中DHB-DeepLabV3+取得最高GT-band平均分数，GT-band精确率、召回率、IoU与F1分数分别达43.98%、61.08%、65.58%与57.20%；轻量版本将参数量由15.81 M降至6.67 M、计算成本由8.51降至2.36 GFLOPs，mIoU为81.90%、GT-band精确率43.52%、GT-band IoU 60.65%，仅比完整模型低0.62、0.46与0.43个百分点。在边缘设备部署与推理验证中，训练权重经ONNX中间表示转换为RK3568 NPU支持的RKNN格式，在LubanCat 2 RK3568开发板上对未参与训练的叶片病害测试图像进行推理，前四个样例的桌面与设备预测病灶位置大致对应但区域覆盖与轮廓存在局部差异，最后两个失败案例中设备预测出现更广泛假阳性区域并合并分离病灶，表明ONNX到RKNN工作流可使网络在RK3568 NPU上执行并完成像素级病害分割，验证了嵌入式农业病害分割部署的技术可行性。
讨论部分总结指出，三个数据集的结果共同表明随病灶形态复杂度、尺度变化与背景复杂度增加，各方法性能差异逐渐显现；传统编码器–解码器方法在多类型病灶与复杂边界条件下性能有限，更大模型容量未必带来稳定分割性能，如Swin-UNet参数规模大但在更复杂数据集上未显优势，EBMA-Net在叶片病害数据集上mIoU与Dice略高但计算成本显著更高且在PlantSeg上未保持优势，而DHB-DeepLabV3+在三个特征各异的数据集上取得一致表现，说明关键不在于简单增加模型容量而在于有效协调不同尺度下的病斑信息、语义上下文与边界结构。研究同时指出，跨作物、采集环境与病害外观的分布变化可能影响模型向实际场景的直接迁移，提升多样数据条件下鲁棒性仍是重要考量；损失函数比较与消融实验显示整体分割性能与GT-band性能未必同步提升，BAFE应被理解为一种互补的结构特征增强组件，其整体收益依赖于伴随的语义与上下文表征，且GT-band分数仅衡量参考定义带内的病灶分类表现，并不直接确立轮廓定位改善或带外假阳性减少。方法仍需改进之处包括：BAFE所用Sobel与Laplacian算子可能在密集叶脉、复杂纹理或渐变颜色过渡区域对非真实病灶边界结构产生响应；多尺度表征仍基于预定义尺度与稀疏选择机制，尺度候选有限可能无法充分覆盖更广泛尺度变化与复杂形态；将高分辨率田间图像缩放至固定分辨率可能模糊极小病灶与精细边界细节，本研究未对此效应进行专门量化，未来将量化缩放过程中标注病灶区域的保留情况、按病灶尺寸分层的区域级召回并在原始分辨率标注上评估，并研究从原始图像提取重叠块结合全局上下文融合以改善局部病灶细节保留；此外三个数据集各自独立划分训练与测试，当前实验主要反映模型在不同数据集特征下的鲁棒性而非严格跨域泛化评估，评估未见域上的可迁移性仍是未来重要方向，域适应策略为减小农业场景间分布差异提供潜在途径；轻量设计在保持有竞争力分割性能的同时降低计算复杂度，RK3568实验主要验证模型转换与在嵌入式平台执行的可行性，后续将开展包括推理效率与资源消耗在内的系统性边缘设备评估。研究结论部分翻译如下：本研究提出DHB-DeepLabV3+用于农业病害图像分割，聚焦病灶尺度大变化、复杂背景干扰与模糊边界问题。该模型基于DeepLabV3+构建，强化多尺度特征间的交互并改进高层语义与空间细节的整合，从而以更协调的方式优化病灶区域表征与边界信息；此外EBS Loss结合多尺度边界先验与预测不确定性，对模糊边界与易混淆区域提供更强监督，同时保持病灶区域的完整性。在五次独立运行中，DHB-DeepLabV3+在水稻病害数据集、叶片病害数据集与PlantSeg数据集上分别取得88.45±0.26%、82.52±0.35%与81.72±0.38%的平均mIoU值（平均值±标准差）。损失函数比较与消融实验进一步证实了协调尺度建模、语义聚合与边界约束的益处。轻量版本将参数量与计算成本分别降至6.67 M与2.36 GFLOPs，同时保持接近完整模型的分割性能。该模型亦在RK3568开发板上成功部署与评估。总体而言，DHB-DeepLabV3+在分割精度与模型复杂度之间取得良好平衡，并展示了在RK3568平台上部署用于细粒度农业病害分割的可行性。
