MMTA-ACDD:多教师在线自适应学习与多模态增强协同机制在作物病害检测中的应用

《Computers and Electronics in Agriculture》:MMTA-ACDD: Multi-teacher online adaptive learning and multimodal augmentation synergy for robust crop disease detection

【字体: 大 中 小 】 时间:2026年09月19日 来源:Computers and Electronics in Agriculture 10.3

编辑推荐:

  •通过教师协作实现测试时自适应的作物病害检测。•多模态背景增强机制提升了协作效果。•提出了一种最大梯度动态自适应恢复策略。•基于类别的对比学习确保了模型对变化情况的鲁棒性。•在三个作物病害数据集上的实验验证了该方法的优越性能。 引言 作物病害的诊断和控制对于维持农业生产力和确保

  •通过教师协作实现测试时自适应的作物病害检测。•多模态背景增强机制提升了协作效果。•提出了一种最大梯度动态自适应恢复策略。•基于类别的对比学习确保了模型对变化情况的鲁棒性。•在三个作物病害数据集上的实验验证了该方法的优越性能。

引言
作物病害的诊断和控制对于维持农业生产力和确保农产品安全至关重要。及时识别病害症状有助于提供有针对性的控制策略,减少作物损失和过度使用农药,促进农产品的绿色可持续发展(Orchi等人,2022年)。然而,传统的病害检测方法存在耗时且效率低的问题,难以满足现代农业对检测效率的要求。相比之下,深度学习在计算机视觉领域的优势为开发智能、高精度的病害检测方法提供了可能(Ngugi等人,2021年)。深度学习方法中的图像语义特征识别在农业病害诊断方面取得了显著成果,能够准确区分图像中的目标特征。例如,B. Liu等人(2024年)提出了MCDCNet,结合了双重约束可变形卷积和特征融合模块,有效应对了苹果叶病害检测中存在不同尺度和可变形几何形状的挑战。Sun等人(2024a年)提出了多核聚焦扩散模块的融合方法,以捕捉不同尺度下的番茄病害特征。值得注意的是,基于YOLO(You Only Look Once)架构的作物病害检测方法因其实时性和高效性而受到了广泛关注(Fu等人,2025b年;Sun等人,2025年)。YOLO系列端到端单阶段架构能够实现快速检测同时保证准确性,特别适合需要及时诊断决策的田间诊断场景(Sun等人,2024b年)。这类架构的轻量化设计便于在边缘设备和移动嵌入式平台上部署,适用于偏远地区和资源有限的农业栽培环境。然而,这些基于YOLO架构的方法通常依赖于监督学习方法,并使用来自相同数据分布的训练和测试集。但实际上,在农业病害诊断中,由于自然环境、传感器特性和背景干扰的不同,训练和测试数据的分布往往存在差异。例如,在阳光充足条件下训练的模型可能无法很好地泛化到多云或雾蒙蒙的环境中,从而导致性能下降。这种领域差异显著影响了深度学习模型在田间环境中的检测性能和稳定性。因此,测试时自适应(TTA)方法受到了广泛关注。TTA旨在利用未标记的测试数据来适应目标域,从而缓解源域和目标域之间的数据分布差异(Liang等人,2025年)。现有的TTA策略在分类任务中展现出了巨大潜力,尤其适用于标记数据稀缺且采集成本高昂的场景(Fu等人,2025a年)。然而,大多数当前TTA方法的一个显著局限性是它们仅适用于静态目标域。在实际的农业病害诊断和监测中,目标域很少是静态的。相反,目标域数据会随着天气条件、作物生长阶段和季节变化而持续演变(Zhao等人,2023年)。这些持续且不可预测的变化会导致输入数据分布的波动,使得静态TTA模型难以有效应对。为了应对这一挑战,研究人员开始关注持续的测试时自适应(CTTA)方法,并显示出越来越多的兴趣。CTTA扩展了TTA的概念,使模型能够在测试推理过程中不断适应不断变化的目标域(Wang等人,2022年)。CTTA假设目标域是一个动态数据流,在适应过程中不需要源域数据,因此更符合农业病害监测的实际需求。因此,我们认为将CTTA方法整合到实时高效的YOLO检测模型中并将其应用于作物病害诊断是一个有前景的研究方向。然而,CTTA仍面临两个关键挑战:(1)误差累积——在没有标记数据的情况下,通常使用伪标签进行自我监督训练。但在动态环境中,伪标签可能会产生噪声或偏差,导致预测误差随时间累积。(2)灾难性遗忘——当模型适应新的数据分布时,它们可能会逐渐忘记源域知识,从而导致泛化能力下降。尽管现有研究尝试通过自我监督学习(J. Liu等人,2024年)或选择性参数更新(Ni等人,2024年)来平衡CTTA策略的稳定性和灵活性,但大多数当前的CTTA方法仍然集中在分类任务上,而在更复杂的图像对象检测领域(特别是在作物栽培环境中)的应用研究相对有限,这对推动病害检测的实际应用至关重要。为了应对误差累积和灾难性遗忘这两个关键挑战,一方面,大多数当前的持续自适应方法仅使用单一教师模型进行学生模型自适应训练。为了提供更高质量的伪标签,我们引入了双教师机制(主要教师和辅助教师),通过协作监督和指导增强学生模型在测试阶段的自适应能力。具体来说,主要教师接收弱增强后的目标域数据,而辅助教师接收强增强后的数据,两者分别生成伪标签以监督和指导学生模型。此外,我们引入了一种多模态稳定扩散模型来处理强增强后的数据,从而实现多模态背景增强,提高辅助教师生成的伪标签质量。通过主要-辅助教师协作机制结合背景增强策略,我们有效缓解了伪标签误差累积问题。另一方面,我们提出了一种最大梯度动态自适应恢复策略。该策略通过选择性和高效地恢复源模型知识,有效减轻了灾难性遗忘。通过整合上述多种方法,我们旨在提高先进实时检测模型的适应性和鲁棒性,使其在动态复杂环境中稳定可靠地应用于作物病害检测任务。本文的主要贡献如下:
•提出了一种基于主要-辅助教师协作监督的测试时自适应作物病害检测框架。
•将多模态背景增强方法整合到主要-辅助教师协作机制中,以提高伪标签质量并缓解误差累积。
•提出了一种最大梯度动态自适应恢复策略,通过设置最大恢复触发阈值和动态恢复机制,有效保留源模型知识并减轻灾难性遗忘。
•引入了一种基于类别的对比学习策略,以增强多教师模型架构在目标分布变化下的鲁棒性。
•在三个作物病害数据集上进行了全面实验,包括通过CycleGAN生成的天气变化目标域和真实的实验室到田间的番茄病害数据集。实验结果证明了该方法在合成和自然发生的分布变化下的有效性和通用性。

基于深度学习的高效作物病害检测
传统的作物病害检测方法正迅速被基于深度学习的对象检测技术所取代。最近的研究表明,基于YOLO和其他深度神经网络的模型在作物病害检测任务中表现出良好性能。例如,Mathieu等人(2024年)提出了SeptoSympto,这是一种基于深度学习的架构,能够量化小麦叶片上的病害症状和真菌孢子结构(如分生孢子)。Sun等人(2024a年)融合了...

问题定义
本研究中的作物病害检测领域变化测试适应旨在将在一个源域数据集Dsource(Xs,Ys)上预训练的病害检测模型自适应地转移到目标域数据集Dtarget(Xt),其中 neither 病害目标的类别 nor 位置都有注释。这里,Ys=(Cs,Bs),其中Bs代表源域图像Xs中的病害边界框注释,Cs代表Xs对应的病害类别标签。目标域图像Xt没有...

数据集
本文使用了三个作物病害数据集,在合成生成的环境变化和自然发生的跨域条件下评估所提出的方法。其中,PlantDoc(Singh等人,2020年)数据集是在具有复杂背景噪声的自然环境中收集的,用于视觉植物病害检测。该数据集包含30个病害类别,共2569张图像,训练集、验证集和测试集分别包含2100张、230张和239张图像...

扩散基础背景增强可能的风险
基于扩散的背景增强策略可能在未标记的测试时适应设置中引入潜在风险。由于目标域的真实标注数据不可用,前景和背景区域是根据模型预测估算的。当病害目标被遗漏或定位不准确时,真实对象的一部分可能会被包含在可编辑的背景掩码中,并被Stable Diffusion修改。这可能会扭曲与病害相关的特征,降低检测的可靠性...

结论
本文提出了一种用于实时作物病害检测的持续测试时适应方法。该方法整合了两个教师模型生成的伪标签,以协作监督学生检测模型的自适应训练。具体来说,主要教师模型接收弱增强后的图像以生成弱伪标签,而辅助教师模型接收经过多模态背景增强的图像以生成强伪标签。与...

作者贡献声明
Hao Sun:撰写——原始草稿、软件、方法论、调查、形式分析、数据整理、概念化。
Shiyu Wang:撰写——审稿与编辑、可视化、验证、项目管理、方法论。
Zhenqi Cheng:撰写——审稿与编辑、资源管理、调查。
Rui Fu:撰写——审稿与编辑、监督、项目管理、方法论、资金获取、概念化。

资助
本项工作得到了山东省自然科学基金(项目编号ZR2025QC649)、山东省高等学校2025年青年创新研究团队(项目编号2025KJH190)、潍坊市科技发展计划(软科学)项目(项目编号2026RKX092)以及潍坊科技大学科研项目(项目编号KJRC2026026)的支持。

利益冲突声明
作者声明没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢
作者感谢参与本研究的所有人员的贡献。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号