基于风格重校准的分割技术与双变换器网络在多作物病害检测与严重程度评估中的应用

《Engineering Applications of Artificial Intelligence》：Style-recalibrated segmentation and dual transformer network for multi-crop disease detection and severity estimation

　　

摘要

近年来，水稻、玉米和甘蔗等主要作物的病害问题导致了作物产量下降，进而影响了粮食安全。然而，现有的基于深度学习（DL）的模型往往难以有效分割病害区域，且计算复杂度较高，还无法捕捉不同作物类型的病情严重程度特征。因此，尤其是在病害症状较小或外观相似时，准确判断病情严重程度成为一大挑战。为解决这些问题，本研究提出了一种新的基于DL的多作物病害检测与严重程度分类网络MC-SeverityNet，可精准识别水稻、甘蔗和玉米等多种作物的病害，并对其严重程度进行分类。研究还设计了一个统一的多作物植物病害数据集，以提升模型在不同作物条件下的学习能力。通过引入多尺度空间注意力与风格校正模块网络（MSA-SRMNet），该网络能够捕捉多尺度空间特征，减少不同作物间的差异，从而准确识别病害区域。此外，双Swin变换器与时间卷积网络（DSwin-TCN）组合则用于提取与病情相关的空间及上下文特征，降低计算复杂度，实现多作物病害检测。同时，研究还提出了改进的病害严重程度量化分类方法（IQDSC），可将病害严重程度分为正常、轻微、中等和严重四级。实验结果表明，MC-SeverityNet模型的准确率为98.92%，计算时间为1.78秒，精确率为98.84%，F1分数为98.36%， Dice相似系数为0.98。这些数据表明，相较于现有方法，MC-SeverityNet在病害检测和严重程度分类方面均有显著提升。

引言

在全球范围内，农业对于维持经济稳定、保障粮食安全以及推动可持续发展具有重要意义。由于水稻、玉米和甘蔗等作物在工业、商业以及营养方面的重要作用，它们被广泛种植（Bock等人，2022年）。然而，这些作物的品质和产量却常常受到病毒、环境因素、真菌和细菌等引起的各种植物病害的严重影响。因此，及时检测并准确评估植物病害的严重程度，对于有效管理作物至关重要（Thite等人，2024年）。

尽管近年来取得了不少进展，但现有的作物病害检测与严重程度评估方法仍存在较大研究缺口。许多方法要么专注于病害分类，要么专注于病害分割，未能提供一种整合性的解决方案（Tasfe等人，2024年）。此外，部分模型难以在不同作物类型间泛化，无法有效捕捉长距离的空间依赖关系，也缺乏有效的多尺度特征表示能力，这限制了其在复杂农业环境中的表现（Lamba等人，2023年）。

传统上，人们依靠人工方法来识别作物病害并评估其严重程度，即由农业专家直观观察患病叶片区域。但这种方法会导致诊断结果不一致，难以大规模应用于大面积农田，且处理时间较长（Khan等人，2024年）。为此，研究人员开发了机器学习方法，诸如支持向量机（SVM）（Sridhar和Angamuthu，2025年）、K最近邻算法（K-NN）（Imran等人，2024年）以及随机森林模型（RF）（Sahoo等人，2026年），这些模型均依赖于从植物叶片图像中手工提取的特征，如形状、边缘、颜色和纹理细节（Zolotukhina等人，2024年）。不过，这类模型的效果在很大程度上取决于特征工程和预处理的质量（Syeda等人，2025年）。相比之下，基于深度学习的模型，尤其是卷积神经网络（CNN）（Subbarayudu和Kubendiran，2025年）以及基于变换器的模型（Iqbal，2025年），由于其具备自动特征学习能力，因此在作物病害预测和严重程度分类方面表现出色。然而，尽管现有的基于深度学习的研究已取得一定成果，仍有诸多问题有待解决（Paymode和Malode，2022年）。这些模型缺乏多尺度上下文建模能力，分割效果不佳，计算复杂度高，需要大量训练参数，且在精细化的病害严重程度分类方面也做得不够好（Syed-Ab-Rahman等人，2022年）。

为应对上述挑战，本研究提出了名为MC-SeverityNet的多作物病害检测与严重程度分类网络。该模型通过整合三个公开可用的数据集来构建多作物病害数据集，从而提升了模型的鲁棒性，减少了过拟合问题。为解决传统U-Net模型在处理不同作物纹理、不规则的病斑边界以及多尺度病害模式时的不足，研究设计了多尺度空间注意力与风格校正模块网络（MSA-SRMNet），该网络在编解码结构中结合了空间注意力学习、风格感知特征校正、轻量级通道注意力以及多尺度上下文聚合机制，以此实现病害区域的精准分割。此外，双Swin变换器与时间卷积网络（DSwin-TCN）组合则用于提取与病情严重的特征，从而提升特征表达能力，进而提高对病情敏感度的分类效果。同时，研究还设计了改进的病害严重程度量化分类方法（IQDSC），可实现对病害严重程度的精细化分类，将其分为轻微、中等和严重三级，这一方法不仅提高了分类的可靠性，还能更敏锐地捕捉病害的细微发展态势。MC-SeverityNet模型的主要贡献如下：

• •
  该模型是一种全新的MC-SeverityNet架构，可用于自动检测水稻、玉米和甘蔗等多种作物的病害并分类其严重程度。与传统单一作物检测方法相比，MC-SeverityNet能够从不同数据集中学习通用的病害特征，从而提升了模型在多种作物类别上的适用性和鲁棒性。
• •
  本研究使用了全新的多作物病害数据集，该数据集整合了三个公开可用的数据集，包括甘蔗叶病数据集、水稻病害分类数据集以及玉米叶病数据集。这样的整合数据集提升了模型的特征学习能力，增加了数据多样性，减少了过拟合现象，同时还增强了模型在不同作物条件及病害模式下的泛化能力。
• •
  研究设计了MSA-SRMNet模型，用于从复杂的作物叶片图像中识别病害区域。在该模型中，多尺度空间注意力模块（MSAM）被用来捕捉多尺度下的病害相关上下文信息，该模块通过使用具有多种膨胀率的多孔卷积操作，能够检测出大小、形状和空间分布各异的病害区域，从而提升复杂病害模式下的空间注意力学习能力和分割一致性。此外，还设计了风格校正模块（SRM），该模块可根据光照、颜色分布、环境条件以及纹理的变化，自适应地校正特征图，进一步提升模型的泛化能力。同时，研究还采用了高效通道注意力（ECA）与多孔空间金字塔池化（ASPP）技术，前者可选择性突出重要的特征通道而不增加计算复杂度，后者则能通过并行多孔卷积操作捕捉精细的上下文信息，从而进一步提升病害分割能力和多尺度特征表示能力。
• •
  为了提升多作物叶病检测中与病情相关的特征提取能力，研究设计了DSwin-TCN模型。与传统Swin变换器模型相比，DSwin-TCN通过引入时间卷积网络，能够更有效地捕捉局部空间依赖关系以及全局上下文关联。此外，该模型还采用了漏桶整流线性单元（LReLU），有助于优化梯度流动并提升模型的非线性表现，从而显著提升其在多种作物病害检测中的性能。
• •
  研究设计了IQDSC机制，用于评估病害的严重程度。该机制根据已分割的病害区域及病害覆盖比例，将病害严重程度划分为不同等级，不仅提升了分类的精确度，还能更准确地预测病害的细微发展阶段。
• •
  研究在多作物植物病害数据集上进行了实验测试，通过多种评估指标分析模型性能，结果显示MC-SeverityNet模型的准确率高达98.92%，召回率为97.89%，其性能优于其他现有模型，可在多种作物病害检测中发挥更好作用。

本文的其余结构如下：第2节将对现有的多作物病害检测与严重程度分类方法进行综述；第3节将详细介绍所提出的方法；第4节展示实验结果；最后，第5节总结全文并指出未来的研究方向。

章节要点

文献综述

随着深度学习与计算机视觉技术的快速发展，植物病害检测与严重程度分类系统的性能得到了显著提升。目前，这类系统主要采用CNN和基于变换器的模型来实现病害分割、特征提取以及严重程度分类。尽管已取得一定进展，但在面对多种类作物病害的复杂场景时，仍存在诸多未解决的问题。现有的相关技术可归纳为

提出的方法

图1展示了MC-SeverityNet模型在多作物病害检测与严重程度分类过程中的整体流程。首先，通过整合三个公开可用的数据集——分别对应水稻、甘蔗和玉米的病害数据集——来构建多作物病害数据集。随后，对这些数据集中的图像进行预处理，包括图像尺寸调整、归一化处理，以及旋转、翻转等各类数据增强操作。

实验结果

本节将通过实验来评估MC-SeverityNet模型在多作物病害检测与严重程度分类任务中的实际性能。

结论

本研究提出了一种名为MC-SeverityNet的新方法，通过利用水稻、玉米和甘蔗的病害数据集，实现了多作物植物病害的有效检测与严重程度分类。该模型结合了基于MSA-SRMNet的病害分割功能、基于DSwin-TCN的病情敏感特征提取功能以及基于IQDSC的精细严重程度分类功能，从而提升了病害分割的精度和严重程度分类的准确性。此外，该模型各组成部分之间还形成了良好的协同效应

资金支持

无。

作者贡献说明

K. DeepakKumar：研究设计与实验分析，结果可视化。S. Senthil Pandi：软件实现，模型验证。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知利益冲突或个人关系。

K. DeepakKumar|S. Senthil Pandi

印度泰米尔纳德邦金奈市帕尼马拉尔工程学院人工智能与数据科学系