摘要：本研究提出了一种创新的作物条件语义分割架构，能够无缝整合上下文元数据（作物信息）。该方法通过在模型后期阶段融合上下文信息实现，从而可与包括新型架构在内的任何语义分割方案兼容。为评估该方法的有效性，我们精心构建了一个包含超过10万张手机拍摄真实场景图像的挑战性数据集。该数据集涵盖21种疾病的多个病程阶段及七种作物（小麦、大麦、玉米、水稻、油菜籽、葡萄和黄瓜），且单张图像中常存在多种疾病共存的复杂情况。实验表明，引入多作物上下文信息能显著提升植物病害检测语义分割模型的性能：相较于传统方法（F1=0.24，r=0.68），我们的方法在不同作物上均展现出更高的准确率和更好的泛化能力（F1=0.68，r=0.75）；此外，采用基于单株病害植株伪标注的半监督学习方法，为植物病害分割与定量分析带来显著优势（F1=0.73，r=0.95）。该方法通过同时利用标注数据与未标注数据，有效降低了对耗时且成本高昂的手动标注工作的依赖，从而全面提升模型性能。该算法的部署有望彻底革新作物保护产品测试的数字化流程，在确保实验结果可重复性的同时最大限度减少人为主观因素的影响。通过解决语义分割与病害定量分析中的难题，我们助力实现更高效、精准的表型分析，从而为优化作物管理和保护策略提供有力支持。
结论：本研究提出了一种创新的作物条件语义分割架构，该架构能够无缝整合上下文元数据（即作物信息）。这一目标是通过在模型的后期层阶段融合上下文信息实现的。半监督方法不仅提高了训练过程的效率，还能确保模型在不同数据集上具有更好的泛化能力。我们的研究通过融合神经网络架构、上下文信息及半监督学习技术，显著提升了农业病害评估的效率与实用性。该算法的应用有望彻底革新作物保护产品检测的数字化流程，在确保检测结果可重复性的同时最大限度降低人为主观因素的影响。通过攻克语义分割与病害定量分析等关键技术难题，我们为实现更高效精准的表型分析提供了支持，最终助力制定更优的作物管理与防护策略。
原文链接：https://doi.org/10.1016/j.aiia.2025.01.002
