基于語義分割網絡模型的核桃葉片焦枯程度估計研究

摘要：[目的]實現核桃葉片焦葉程度的準確定量化，為科學精準治理焦葉癥提供科學依據。[方法]以核桃葉片復雜背景圖像為研究對象，提出基于語義分割網絡模型的核桃葉片焦葉癥分級方法。首先對焦葉葉片圖像進行分割，主要包括兩個階段，第一階段采用Segment Anything（ SAM）模型在復雜自然背景下提取目標葉片的邊緣輪廓，第二階段分別使用SAM和Mask R-CNN模型，對焦葉葉片進行分割。然后，提出了核桃葉片焦葉程度的分級標準與方法。[結果]SAM和Mask R-CNN模型都具有較好地核桃焦葉葉片識別和分割能力。SAM模型雖然分割時需點選標識目標區域，但該模型無需再次訓練即可直接運行，具有較好的可操作性和交互性。相比之下，經訓練后的Mask R-CNN模型分割精度更高，其像素精度、平均像素精度、平均交并比分別為98.95％、98.19％、95.94％。同時，基于Mask R-CNN模型的核桃葉片焦葉程度的分級平均準確率達到91.29％。[結論]在復雜自然背景下，采用基于語義分割網絡模型的兩階段核桃葉片焦葉程度分級方法，能夠準確地對核桃葉片焦葉部位進行識別和分割，為核桃焦葉程度等級劃分提供了理論依據，對核桃焦葉癥的精準防控提供了技術支撐。

關鍵詞：核桃葉片；焦葉癥；嚴重程度分級；復雜背景；語義分割

中圖分類號：TP391.4；S76；S75 文獻標識碼：A 文章編號：1001-1498（2025）01-0028-11

核桃（Juglans ragia L）是我國新疆南部地區的重要經濟林資源，全疆種植面積約40萬公頃，具有良好的經濟價值和生態效益。然而，由于新疆地處于干旱半干旱區域，在水資源緊缺、土壤鹽堿化較重、不合理的栽培管理措施等多因素影響下，該地區近些年來出現了大面積的核桃葉片焦枯癥狀（Juglans leaf necrosis.JLN）。核桃焦葉癥一般最早在葉尖和葉緣出現，隨著嚴重度增加逐漸向葉心部蔓延，如不及時防治，往往會對核桃的產量和品質造成嚴重的影響。傳統的核桃葉片焦葉癥診斷主要依賴于實驗室內分析或植保專家的觀察，因而需要耗費大量的人力和物力。通常，針對不同嚴重程度的核桃葉片焦葉癥，需要采取不同的應對措施。而不合理的措施往往會影響核桃產量、造成環境污染。因此，快速、精準的識別和分割核桃葉片焦葉癥，對于農林業生產實踐具有重要意義。

隨著計算機技術和深度學習模型的快速發展，植物葉片的健康狀況識別技術越來越成熟，許多學者對葉片尺度的植物健康狀況識別進行了廣泛研究。例如，Zhang等以黃瓜（Cucumis sativus L.）霜霉病葉片圖像為輸入，構建了基于卷積神經網絡（Convolutional Neural Network，CNN）的估計模型，使用決定系數（R2）和歸一化均方根誤差（NRMSE）定量評估模型的準確性，最終基于卷積神經網絡的R2為0.9190，NRMSE為23.33％。Ma等提出了一種深度卷積神經網絡（Deep Convolutional Neural Network，DCNN）對炭疽病、霜霉病、白粉病和目標葉斑病4種黃瓜病害進行癥狀識別。在包含14 208張癥狀圖像的增強數據集中，DCNN取得了良好的識別效果，準確率為93.4％。結果表明，DCNN是在田間條件下識別黃瓜病害的可靠工具。Wang等基于Pearson相關系數法分析黃瓜霜霉病的影響因素。采用CNN-LSTM（Convolutional Neural Network-Long Short-Term Memory）算法建立黃瓜霜霉病發病預測模型。結果表明，CNN-LSTM網絡模型的平均絕對誤差（MAE）、均方誤差（MSE）、均方根誤差（RMSE）和決定系數（R2）分別為0.069、0.009 8、0.0991和0.912 7。

近年來，隨著語義分割網絡模型如Unet和DeepLab的涌現，基于語義分割的圖像分割方法逐步成為圖像分割領域新的發展趨勢。例如，Lin等提出了一種基于CNN的語義分割模型，可以實現像素級分割黃瓜葉片圖像上的白粉病，他們在20個測試樣本上實現了96.08％的平均像素準確率、72.11％的交并比和83.45％的Dice準確率。該方法優于現有的圖像分割方法、K-means、隨機森林和梯度提升決策樹方法，為黃瓜育種者評估白粉病的嚴重程度提供了有價值的工具。Tasssi等提出了一個集成框架，能夠使用Mask RCNN、UNet及PSPNet網絡自動檢測和識別田間圖像中咖啡（Coffea L.）作物的病蟲害。對于MaskR-CNN網絡，擁有73.90％的準確率和71.90％的召回率。對于UNet和PSPNet網絡，具有94.25％和93.54％的平均交集比。Yang等針對SegFormer特征融合不平衡導致分割精度差的問題，提出了高效通道注意力模型SegFormer（ECA-SegFormer）處理自然采集條件下的黃瓜葉片病斑圖像。測試結果表明，ECA-SegFormer的平均像素準確率為38.03％，平均交并比為60.86％，分別比SegFormer高出14.55％和1.47％。證明ECA-SegFormer優于原始SegFormer模型，能夠適應自然環境中黃瓜葉斑病的精確分割。Khan等提出了由CNN、長短期記憶（LSTM）和自我注意（SA）模塊組成的混合模型，并使用測試數據集、5倍交叉驗證、HosmerLemeshow檢驗、均方根誤差（RMSE）和平均絕對百分比誤差（MAPE）對模型的適用性進行評估。驗證樣品的準確率為97.51％，平均損失為0.110。此外，該模型獲得了最小RMSE、MAPE和Hosmer Lemeshow檢驗值，表明該模型性能較好。然而，若僅考慮植物葉片受損部位的識別與分割，而不對葉片受損程度進行定量評估，則無法在植物保護領域發揮關鍵性作用。

語義分割網絡模型不僅可以用于植物葉片受損部位的識別與分割，同時也能對植物葉片受損程度進行分等定級。鄭志雄等提出了一種利用高光譜成像技術進行水稻（Oryza sativa L.）葉瘟病分級的方法，該方法通過結合原始圖像和掩模圖像去除背景信息，并在獲取單葉片的高光譜圖像后進一步完成圖像分割。Zhang等基于與溫室黃瓜霜霉病實際嚴重程度值高度相關的圖像特征，構建了淺層機器學習模型，包括支持向量機同歸和反向傳播神經網絡。基于3種模型，評估了黃瓜霜霉病的病情嚴重度。結果表明：模型估算的溫室黃瓜霜霉病嚴重程度與實際值呈較好的線性關系。基于CNN的模型準確率最高，R2和NRMSE分別為0.919和23.33％，利用黃瓜霜霉病的數字圖像和卷積神經網絡估計模型，可以準確估計溫室黃瓜霜霉病的病情嚴重程度，為科學控制溫室黃瓜霜霉病、減少農藥使用提供支持。Yao等基于深度學習，提出了一個集成框架，利用不同的語義分割網絡自動分割黃瓜圖像中的目標葉片和病斑，然后通過計算病斑面積對目標葉片進行病害嚴重程度分級。該模型在像素水平上表現出較強的黃瓜葉片和病斑分割能力，為評估黃瓜霜霉病和炭疽病的嚴重程度提供了一種可行的方法。圖像實例分割是在語義分割的基礎上進一步細化，例如Mask R-CNN模型，該模型可以分離對象的前景與背景，實現像素級別的對象分離。王梁等以自然環境中的油茶（Camellia oleifera Abel.）果為研究對象，綜合考慮樹葉遮擋、果實重疊、背景差異、果實顏色及光照條件等因素，采用Mask R-CNN模型進行油茶果的檢測與識別，最終達到了89.42％的平均識別精度。章永龍等在原始Mask R-CNN模型的基礎上，結合Sobel算子進行邊緣檢測，提出了一種改進的深度卷積網絡模型。該模型的精確率、召回率和交并比分別達到99.1％、94.87％和92.18％，比原始Mask R-CNN模型分別提升了1.28％、1.13％和1.05％，顯著改善了鋸齒狀邊緣的葉片分割效果。

本文通過Mask R-CNN模型和預訓練模型Segment Anything（SAM），在對核桃葉片焦葉部位識別和分割的基礎上，實現對核桃葉片焦葉程度的定量化計算，為開展不同嚴重程度的焦葉癥預防和后期綜合治理提供科學依據。以期發現不僅能夠解決復雜背景下核桃葉片焦葉部位的識別與分割，還能準確估計焦葉的嚴重程度的方法。