一种考虑不确定性的半监督框架，结合了监督式对比学习方法，用于甘蔗叶病害的检测

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：Uncertainty-aware semi-supervised framework with supervised contrastive learning for sugarcane leaf disease detection

　　沙利尼·丹吉（Shalini Dangi）| 迪维亚·特贾（Divya Teja）| 奥姆卡尔·卡布德（Omkar Kabde）| 肖希德·沙菲·达尔（Shahid Shafi Dar）| 纳根德拉·库马尔（Nagendra Kumar）
印度中央邦印多尔印度理工学院（Indian Institute of Technology Indore, Madhya Pradesh, India）

**摘要**
甘蔗叶病严重影响了作物产量和质量，因此准确及时的检测对于可持续农业至关重要。传统的深度学习模型依赖于大规模的标注数据集，但这些数据集的获取成本高昂且准备过程具有挑战性，原因包括：（i）生长阶段不同导致的症状表现差异较大；（ii）病叶与健康叶片之间的相似性较为微妙；（iii）噪声标签可能降低模型可靠性。为应对这些挑战，我们提出了一种基于“均值教师”（Mean-Teacher）的半监督学习疾病检测网络（U-SSDNet），该网络在利用未标注数据的同时保持了模型的鲁棒性。首先，通过离散小波变换（Discrete Wavelet Transform）预处理来增强病变区域的可见性并减少类内差异；接着使用Kullback-Leibler散度（KL divergence）来优化伪标签并降低确认偏差的影响；同时应用监督对比学习（Supervised Contrastive Learning）使特征更具区分度，从而提高不同类别之间的分离能力。在甘蔗叶病数据集上的实验评估表明，所提出的方法在需要较少标注样本的情况下，其性能接近于完全监督模型，并且始终优于现有的监督学习和半监督学习方法。

**引言**
农业维系着全球粮食供应、农村生活和经济发展。随着全球人口持续增长，对食品和可再生资源的需求不断增加，这对农业提出了在不损害环境的情况下提高产量的要求。甘蔗是全球重要的农作物，占全球糖产量的约80%。然而，甘蔗种植面临诸多挑战，因为许多疾病会侵袭植株，导致作物质量和产量大幅下降。叶病通过减缓生长速度和降低糖分含量对植物健康造成严重影响，给农民和糖产业带来重大压力（Barbedo, 2016）。这些叶病传播迅速，在适宜的天气条件下难以早期发现。尽管PCR和DNA测序等实验室方法具有高准确性，但需要大量资源，因此不适用于大规模应用（Strachan et al., 2022）。

传统的疾病分类方法依赖于生化检测和专家视觉检查。虽然准确，但生化方法成本高昂，需要化学试剂和专业人才，并且难以扩展到大规模农田。计算机视觉和深度学习技术已被用于克服叶病检测中的这些限制。不同的卷积神经网络（Convolutional Neural Networks, CNN）架构，如Inception-V3、ResNet50、VGG16和VGG19，在从植物叶片图像中提取特征方面表现出色（Dey et al., 2022）。CNN模型的性能很大程度上取决于标注数据集的可用性。实际上，植物疾病检测任务常面临类内差异较大（同一疾病在不同生长阶段和环境条件下的表现不同）以及类间相似性微妙（不同疾病与健康叶片具有重叠的视觉特征）的问题（Lu and Young, 2020, Barbedo, 2018）。这些挑战在各种作物疾病检测中普遍存在，并非特定于某一种作物。甘蔗叶病检测中的症状表现差异和实际拍摄条件进一步加剧了这些问题。因此，特征多样性有限和过拟合风险较高限制了深度学习模型的实际应用。

有限的标注农业数据是构建准确植物疾病检测模型的主要障碍，因为专家标注既昂贵又耗时。半监督学习（Semi-Supervised Learning, SSL）通过利用大量未标注数据与少量标注样本相结合，提高了模型的泛化能力和鲁棒性。例如，SSL结合一致性正则化（Consistency Regularization）在杂草检测中提升了ConvNeXt模型的性能（Benchallal et al., 2024），基于注意力的自监督对比学习（Attention-based Self-Supervised Contrastive Learning）从未标注图像中提取了多样的叶病特征，从而改善了疾病检测效果（Yilma et al., 2025, Dangi et al., 2025）。同时结合类内和类间信息的框架也提高了实际场景中的害虫识别能力（Hu et al., 2025），而半监督对比学习中的不确定性处理机制增强了农业监测的鲁棒性（Ai et al., 2025）。这些研究结果表明，SSL为有限监督下的植物疾病检测提供了可扩展且经济高效的解决方案。然而，关于鲁棒性和不确定性处理的挑战仍是亟待解决的问题。

本研究提出了一种基于“均值教师”（Mean-Teacher）的半监督方法来检测甘蔗叶病。该方法通过强制学生网络和教师网络之间的一致性并利用未标注数据来提升性能。甘蔗叶图像经过离散小波变换处理，以增强特征表示并聚焦叶病模式。此外，使用Kullback-Leibler散度进行伪标签校正，以减少确认偏差并提高预测准确性。同时应用监督对比学习来改善类别分离和疾病检测效果。该研究以甘蔗叶病为例，展示了这些技术的综合应用。

**主要贡献**
- 我们提出了一种新颖的半监督“均值教师”框架用于植物疾病检测，并以甘蔗叶病数据集作为典型案例进行了验证。
- 我们引入了离散小波变换来增强视觉特征的语义上下文，从而提高了模型的表示能力。
- 我们利用不同叶病类别之间的监督对比学习来提高类别区分度并提升分类性能。
- 我们提出了一种基于Kullback-Leibler散度的伪标签校正方法，以减少伪标签中的噪声并提高模型稳定性。

**论文结构**
第2节详细介绍了相关文献；第3节定义了问题框架；第4节详细阐述了我们的方法论；第5节描述了结果分析和实验设置；第6节讨论了研究的局限性和成果；第7节总结了研究结论。

**传统方法**
现代农业中，植物叶病检测是一个关键问题。早期方法主要采用手工特征提取和机器学习分类技术，如支持向量机（Support Vector Machines, SVMs）、朴素贝叶斯（Naive Bayes）、决策树（Decision Trees）和随机森林（Random Forests）（Sari et al., 2021, Mia et al., 2020, Panigrahi et al., 2020）。这些方法利用颜色、形状和纹理等手工特征来区分健康叶片和病叶。然而，这些特征容易受到叶片位置的影响。

**问题框架**
本研究采用半监督图像分类方法，结合标注数据和未标注数据进行处理。标注数据集定义为：
$$ DL = \{(xi, yi) \}_{i=1}^{N_L} $$
其中 $ xi $ 是输入图像，$ yi \in \{1, \ldots, C \} $ 表示其类别标签。未标注数据集定义为：
$$ DU = \{x_j \}_{j=1}^{N_U} $$
采用教师-学生（Teacher-Student）框架，教师网络和学生网络的预测分别表示为 $ y^\hat{T} $ 和 $ y^\hat{S} $。学生网络通过监督损失函数 $ L_{sup} $ 在标注数据集 $ DL $ 上进行优化，并结合不确定性指导进行训练。

**方法论**
第4节全面介绍了用于甘蔗叶病检测的U-SSDNet框架，包括三个主要模块：
（A）甘蔗叶预处理和增强，包括尺寸调整和数据增强；
（B）用于类间区分嵌入的监督对比学习，通过学习不同疾病之间的差异来优化特征表示。

**实验结果**
本节描述了实验设置、使用的数据集、评估指标、定性结果和消融研究。

**可视化分析**
图16展示了四种常用可视化方法（Grad-CAM、Grad-CAM++、Score-CAM和LIME）生成的激活图，揭示了均值教师模型决策中起关键作用的区域。对于红腐病（RedRot）、锈病（Rust）和黄病（Yellow）等不同疾病类别，第一列显示了代表性测试图像，其余列展示了相应的激活图。这些技术揭示了图像中哪些部分对模型预测影响最大。

**结论**
本研究提出了一种结合“均值教师”框架、基于小波的预处理、Kullback-Leibler散度驱动的伪标签校正和监督对比学习的U-SSDNet方法，用于识别甘蔗叶病。该方法通过利用未标注数据减少了标注数据集的需求，适用于实际农业环境。基于小波的预处理提高了病变区域的可见性。

**作者贡献**
沙利尼·丹吉（Shalini Dangi）：撰写、审稿与编辑、原始草稿撰写、可视化、验证、软件实现、方法论设计、概念化；
迪维亚·特贾（Divya Teja）：可视化、方法论设计、形式化分析；
奥姆卡尔·卡布德（Omkar Kabde）：可视化、软件实现、形式化分析；
肖希德·沙菲·达尔（Shahid Shafi Dar）：调查研究、形式化分析；
纳根德拉·库马尔（Nagendra Kumar）：撰写、审稿与编辑、项目管理、资源协调、概念化。

**利益冲突声明**
作者声明没有已知的可能影响本文研究的财务利益或个人关系。

**致谢**
我们感谢印度电子与信息技术部（Ministry of Electronics and Information Technology）的Visvesvaraya博士计划（项目编号：MEITY-PHD-1707114934026）对本项目的支持。