基于VCDM-UNet的水稻叶瘟病斑分割和病害程度分级

高效、精确地评估叶瘟病害程度对水稻的早期防治、精准施药、产量损失预测至关重要。针对传统病害分级方法效率低、主观性强的问题,该研究提出了一种基于改进UNet（vgg16 coordinate dropout focal-dice mixed loss UNet,VCDM-UNet）的叶瘟分割模型。首先,针对病斑形状不规则、不易分辨问题,将VGG16作为UNet的主干网络,增强模型提取叶片、病斑特征的能力。其次,为了提升模型对叶片、病斑像素的关注度,增强模型的泛化能力,在上采样模块中引入CA(coordinate attention)注意力机制和Dropout机制。然后针对叶片、病斑占比过小问题,采用焦点-骰子混合损失改进模型的损失函数,以优化样本的不平衡性,缓解背景像素占比过大对模型学习带来的影响。基于田间收集的三叶期水稻叶片图像进行了验证,并与UNet、PSPNet、DeepLabV3+进行比较。结果表明,VCDM-UNet的平均交并比、平均像素精度、宏平均F1分数分别为82.93%、88.87%、89.96%,均优于3种对比模型,能够满足叶片和病斑的分割任务。最后,基于分割结果,计算病斑占叶面积的比例对病害程度进行分级,VCDM-UNet的平均分级准确率为83.95%,经验证,该模型可为叶瘟病害程度分级提供技术支持。