基于改進Swin-Unet的小麥條銹病分割方法

摘要：條銹病是影響小麥產量及糧食安全的重要因素，條銹病圖像的精準分割是實現計算機輔助精準防治的重要基礎。針對小麥條銹病圖像中病斑形態復雜、病斑與非病斑之間邊界模糊、分割精度低的問題，本研究提出了一種基于改進Swin-Unet的小麥條銹病圖像分割方法，通過在Swin-UneT中引入SENet（Squeeze-and-Excitation Networks）和殘差網絡（ResNeT）模塊來增強模型對條銹病特征的表達能力。實驗結果表明，改進Swin-UneT對背景、孢子和葉片的查準率分別為99.24％、82.32％和94.36％，可以從復雜環境中有效分割出背景、孢子和葉片圖像，具有較好的計算機視覺處理能力和分割評估效果。改進Swin-Unet總體分割準確率、平均交并比和均像素準確率分別為96.88％、84.91％和90.50％，較Swin-Unet分別提高了2.84、4.64個和5.38個百分點；與其他網絡模型（U-Net、PSPNet、DeepLabV3+和Swin-Unet）相比，改進Swin-Unet具有最佳分割效果。表明本研究提出的方法可以精準檢測和分割小麥條銹病圖像，這可為田間復雜環境下小麥條銹病的自動檢測和早期預防提供技術支持。

關鍵詞：小麥條銹病；語義分割；Swin-Unet；注意力機制

中圖分類號：S126 文獻標識號：A 文章編號：1001-4942（2024）12-0147-07

小麥是世界上重要的糧食作物，可為全球約三分之一的人口提供糧食。國家統計局網站數據顯示，2023-2024年度河南省小麥播種面積2 309萬hm2，產量1 382億kg。隨著我國人口基數的增加、耕地面積的減少，實現小麥自給自足的根本出路在于提高單產。然而，據FAO估算，全世界每年由病蟲害導致的糧食減產約占總產量的25％。條銹病是我國華北小麥種植區常年頻發的病害之一，可導致部分麥田大量減產，嚴重影響我國小麥生產和糧食安全，培育抗病小麥品種和早期防治是降低其危害的重要手段。鑒于此，探索快速、智能的小麥條銹病圖像分割方法，實現田間復雜環境下小麥條銹病的自動檢測，可為其早期防治提供技術支持。

目前，在作物育種實踐中，研究者致力于培育抗病小麥品種，開發小麥抗病表型精準預測方法。但在實際生產中，小麥條銹病的調查大多仍主要依靠人工田間調查，耗時耗力且準確性低。隨著遙感技術的快速發展，諸多學者借助遙感技術，基于遙感圖像中光譜特征的提取，實現了作物病害識別及發病程度估算。基于遙感技術的病害檢測方法主要有經驗統計模型和機器學習方法，其中經驗統計模型較為簡單且只需要較少的輸入數據，被廣泛用作基于過程模型的常見替代方案，可以評估作物病害的嚴重程度；機器學習方法近年來發展較快，常見的隨機森林法、支持向量機法和偏最小二乘法等已在作物病害監測領域取得成功。例如：Pujari等利用Radon變換和投影算法處理小麥、玉米等谷物感染白粉病、葉銹病等真菌病害的圖像，使用支持向量機算法實現了不同病害的檢測與分類；Xu等將清晰的小麥葉銹病圖像轉換為RGB模型中的G單通道灰度圖像，基于Sober算法進行垂直邊緣檢測，通過計算病斑與葉片的面積比例對小麥發病等級做出準確診斷：Guo等基于無人機圖像提取的植被指數和紋理特征，建立了基于偏最小二乘回歸法的小麥黃銹病監測模型。

近年來，基于深度學習的各種神經網絡由于對圖像處理的高效性和成本優勢，被廣泛用于作物病害圖像的自動檢測，能夠解決傳統人工方法效率低且費時費力的問題，進一步提高病害檢測的效率和準確性。例如為了解決傳統圖像在分割場景和任務需求方面的局限性，鮑文霞等根據小麥赤霉病發生區域與健康區域的顏色分布特點，利用多路卷積神經網絡對小麥赤霉病圖像進行識別；Zhang等利用全卷積神經網絡和脈沖耦合神經網絡對田間背景下麥瘟病的嚴重程度進行了快速、準確的識別與劃分。

隨著計算機視覺技術的快速發展，深度學習在作物病害圖像分割任務中取得顯著進展：Zhang等提出了小麥赤霉病孢子分割模型CRF_ResUNet++，MIoU達到0.943；Li等提出了一種采用注意力引導和規模感知策略的改進Res-UNet網絡。以上研究能夠對小麥葉片病害圖像的特征進行深層次的提取，但不能充分利用小麥葉片圖像豐富的上下文信息，仍然會存在細節丟失、邊界模糊等問題。因此，如何實現病斑區域的精準分割，是作物病害檢測的關鍵問題。隨著人工智能技術的不斷進步，Transformer架構在計算機視覺領域取得了突破性進展，Swin-Un-et是基于iranstormer的分割網絡，利用Transformer有效解決了U型網絡在處理大尺度圖像時計算量過大、物體邊緣分割不清晰等問題。張越等提出了基于改進Swin-Unet的遙感圖像分割方法，解決了遙感圖像邊界分割不連續、目標漏分等問題，提高了遙感圖像分割的精度。目前在小麥條銹病圖像分割方面也取得了一定的研究成果，如Su等提出了一種將語義分割模型UNet、無人機多光譜和RGB影像相結合的小麥條銹病識別框架。然而，該方法用到的標簽數據較為稀缺，使得準確率不高，因此不能做到大范圍推廣。本研究針對小麥條銹病的病斑形態復雜、病斑與非病斑之間邊界模糊、分割精度低的問題，提出了基于改進Swin-Unet的小麥葉片條銹病圖像分割方法，以Swin-Unet模型為基礎架構，結合SENet和ResNet模塊來增強模型對條銹病特征的表達能力，以期為小麥條銹病精準分割及病害自動化檢測提供技術支撐。

1材料與方法

1.1數據集構建

基于人工智能系統的作物病害處理數據集（Crop Disease Treatmem Dataset，CDTS）是青海省第一個開放的小麥條銹病圖像數據集（數據來源：https：／／pan.baidu.com/s/lhYmyjxyFsWQpMr06FixOug？pwd=fpOk）。青海省農業科學院科研人員在小麥條銹病栽培溫室中使用不同的移動設備拍攝，共獲得2 353張538種不同分辨率的原始圖像，包含了上午、中午、晚上不同光照和不同角度下的圖像：將原始圖像劃分為多個512×512像素的小圖像，構建了含有33 238張圖像的CDTS數據集。該數據集中小麥條銹病圖像示例如圖1所示。CDTS數據集提供的圖像和標注為使用深度學習算法進行小面積、高相似度語義分割提供了數據支持。

本研究從CDTS數據集中隨機挑選2 000張小麥條銹病圖像，然后按照8：1：1的比例劃分訓練集、驗證集和測試集。

1.2改進Swin-Unet的小麥條銹病分割模型

Swin-Unet的整體結構由編碼器、瓶頸、解碼器和跳躍連接組成，是基于Transformer結構的語義分割網絡，結合了Swin-Transformer和Unet，在圖像分割任務上取得了顯著的性能提升。Swin-Unet中的補丁合并層可以增加圖像的特征維數，補丁擴展層可以實現對圖像的上采樣操作：此外，在圖像的編碼和解碼過程中，該網絡結構能夠實現局部到全局的自注意，對全局特征進行像素級分割和預測任務，更好地保留圖像特征，能有效防止感興趣區域的誤分類。

針對小麥條銹病的病斑形態復雜、病斑與非病斑之間邊界模糊、分割精度低的問題，本研究對Swin-Unet進行優化和改進，提出了基于改進Swin-Unet的小麥條銹病圖像分割方法，改進Swin-Unet的網絡結構如圖2所示。

1.2.1引入SENet模塊 通道注意力機制的目標是自適應調整通道特征的權重，使得網絡可以更好地關注重要特征，抑制不重要特征。SENet是通過學習通道間的相關性來動態調整特征圖的權重，以增強重要特征的表示，從而提高模型性能。本研究對Swin-Unet網絡進行改進，在每次跳躍連接時，首先將跳躍連接的特征張量作為SENet模塊的輸入，然后應用Squeeze操作和Excitation操作來獲得特征加權的結果，最后將SENet模塊的輸出添加到解碼器對應的特征張量中，在跳躍連接處形成輸出特征張量，用于后續的解碼器操作。這種方法增強了低級和高級特征之間的聯系，從而為多尺度預測和分割提供了更精細的特征。

1.2.2引入ResNet模塊 ResNet是一種深度神經網絡結構，被廣泛應用于目標檢測和語義分割等計算機視覺任務中。由于ResNet中殘差塊的設計不會導致特征提取的計算能力隨著網絡的加深而降低，因此，適合用該殘差塊替換位于瓶頸位置的兩個連續的Transtormer塊。為了更好地提取小麥條銹病區域特征，提高整體分割效果，本研究經過優化和比較，利用ResNet34中的Layer4結構作為Swin-Unet中的瓶頸，使用ResNet網絡層來增加子特征圖像的提取，從而提高模型對小麥葉片病斑區域的分割精度。

1.3評價指標

為了有效和客觀地評估小麥條銹病圖像的分割效果，本研究采用交并比（Intersection over Umon，IoU）、查準率（Precision）、召回率（Recall）、準確率（Accuracy）、均交并比（Mean Intersection over Uruon，MIoU）和均像素準確率（Mean PixelAccuracy，MPA）作為語義分割的評價指標。具體計算公式如下：

1.4實驗環境及模型參數

實驗選用Intel CoreTM i7 10600 CPU，主頻2.90 GHz，GPU選擇NVIDIA GeForce RTX3090，顯存24 GB，使用PyTorch作為深度學習框架。本實驗中所有模型訓練使用的優化器為Adam，初始學習率為0.01，動量因子為0.9，訓練迭代輪次為100，批處理量為4，輸入網絡圖像設置為512x512像素。

2結果與分析

2.1改進Swin-Unet網絡模型的訓練結果

圖3顯示了改進Swin-Unet模型的訓練損失曲線，可以看出，在網絡訓練迭代初期，改進Swin-Unet的訓練損失曲線迅速降低：在訓練迭代中期，改進Swin-Unet的訓練損失曲線保持適度降低：在訓練迭代后期，改進Swin-Unet訓練損失曲線趨于穩定。同時驗證損失曲線與訓練損失曲線之間的差距極小。表明改進后的RSE-Swin Unet具有出色的穩定性。

2.2不同網絡模型對背景及小麥條銹病孢子和葉片的分割性能比較

為驗證改進Swin-Unet網絡模型對小麥條銹病圖像的分割效果，選擇U-Net、PSPNet、DeepLabV3+和Swin-Unet網絡模型與其進行對比實驗，表1展示了不同網絡模型對背景、孢子和葉片的分割性能。在背景分類中，改進Swin-Unet網絡模型分割效果最好，IoU、查準率和召回率分別為98.41％、99.24％、99.16％，與Swin-Unet相比，分別提高了2.39、0.23、1.04個百分點。在條銹病孢子分類中，改進Swin-Unet的分割效果較好，IoU和召回率分別為65.79％和76.62％，分別比Swin-Unet提高12.01、16.48個百分點：而查準率為82.32％，與Swin-Unet相當。在葉片分類中，U-Net的分割效果最好，IoU、查準率和召回率分別為92.16％、94.69％、97.18％；改進Swin-Unet模型的分割效果較好，IoU、查準率和召回率分別為90.53％、94.36％和95.71％，與Swin-Unet相比，查準率高出0.94個百分點，而其余兩指標略低。

2.3不同網絡模型的小麥條銹病分割性能比較

表2展示了不同網絡模型的小麥條銹病總體分割性能，可以看出，改進Swin-Unet具有最佳分割結果，準確率、MIoU、MPA分別為96.88％、84.91％、90.50％，與Swin-Unet相比，分別提高了2.84、4.64、5.38個百分點。表明本研究提出的方法能夠準確識別和分割小麥條銹病病斑，適合于小麥條銹病圖像分割。

2.4不同網絡模型的小麥條銹病分割結果比較

對改進Swin-Unet網絡與其他主流分割網絡在小麥條銹病圖像分割任務中的結果進行比較（圖4），可以看出，改進Swin-Unet取得了最佳分割效果：其他主流網絡模型雖也能準確分割出病斑區域，但不能有效分割病斑與非病斑之間邊界模糊區域。這可能是本研究使用ResNet34的Layer4作為模型的瓶頸，增加了圖像特征計算的收斂性，因而可以獲得較好的分割效果。綜上表明，改進Swin-Unet展現出卓越性能，較好地解決了病斑與非病斑之間邊界模糊的問題，顯著提升了對相似紋理和復雜背景的精準識別能力，尤其在小麥條銹病的分割結果中表現最優。

3討論與結論

深度學習算法可以有效地分割背景、條銹病孢子和葉片，但對于原始算法來說，當圖像的背景復雜度高、對比度低且存在粘連現象時，原始網絡對目標的特征提取較差，容易造成漏分割。研究認為，農作物病害識別網絡EssNet可以在復雜環境下對農作物的11種病害進行識別，準確率為95.21％。本研究以Swin-Unet模型為基礎架構，引入SENet和ResNet模塊，提出了基于改進Swin-Unet的小麥葉片條銹病圖像分割方法，該方法在小麥條銹病數據集上取得了較好的分割結果，可以精準分割小麥條銹病圖像，能夠滿足小麥條銹病檢測的基本需求，可為小麥條銹病的自動檢測和早期預防提供技術支持。

Li等采用深度學習對小麥條銹病圖像進行語義分割，將難以區分的孢子和斑點分為不同的類別，并對背景、葉片（含斑點）和孢子進行了精確的分割。然而，他們的方法不能充分利用小麥葉片圖像豐富的上下文信息，仍然會存在細節丟失、邊界模糊等問題。相比之下，本研究所用數據集中有大量的圖像，改進Swin-Unet較好地解決了信息丟失和邊界模糊的問題，能夠有效地捕獲條銹病圖像中的全局和局部特征信息，增強模型對條銹病特征的表達能力。實驗結果顯示，該方法的小麥條銹病圖像整體分割準確率、MIoU和MPA分別達到96.88％、84.91％和90.50％，較Swin-Unet分別提高了2.84、4.64、5.38個百分點，也明顯優于其他網絡模型（U-Net、PSPNet、Deep-LabV3+）。

綜合來看，本研究提出的方法具有較好的計算機視覺處理能力和性能評估檢測效果，分割性能好，可以精準地檢測和分割小麥條銹病，為田間復雜環境下小麥條銹病的自動檢測提供了新的方法。