基于混合扩张卷积和注意力的黄瓜病害严重度估算方法

自动和准确地估计病害的严重度对病害管理和产量损失预测至关重要。针对传统病害严重度估算步骤复杂且低效，难以实现在田间场景下精准估算问题，提出了一种基于混合扩张卷积和注意力机制改进UNet（Mixed dilated convolution and attention mechanism optimized UNet，MA-UNet）的病害严重度估算方法。首先，针对病斑尺寸不一、形状不规则问题，提出混合扩张卷积块（Mixed dilation convolution block, MDCB）增加感受野并保持病斑信息的连续性，提升病斑分割精度。其次，为了克服复杂背景的影响，利用注意力机制（Attention mechanism）对空间维度和通道维度进行相关性建模，获得每个像素类内响应和通道间的依赖关系，缓解背景对网络学习带来的影响。最后，计算病害分割图中病斑像素与叶片像素的比率来获得严重度。基于田间条件下收集的黄瓜霜霉病和白粉病图像进行了验证，并与全卷积网络（Fully convolutional network，FCN）、SegNet、UNet、PSPNet、FPN、DeepLabV3+进行比较。结果表明，MA-UNet优于比较方法，能够满足复杂环境下健康叶片和病斑的分割需求，平均交并比为84.97%，频权交并比为93.95%。基于MA-UNet分割结果估计黄瓜叶部病害严重度的决定系数为0.9654，均方根误差为1.0837%。该研究可为人工智能在农业中快速估计和控制病害严重度提供参考。

Estimation Method of Leaf Disease Severity of Cucumber Based on Mixed Dilated Convolution and Attention Mechanism