基于变压器的新型人工智能模型提高了水稻叶部病害检测的精度新闻智慧

这项基于 Transformer 架构的突破性技术为识别水稻种植中不规则疾病模式和复杂背景的挑战提供了解决方案。凭借其更高精确度的承诺，AISOA-SSformer 可以成为农民和农业专家的宝贵工具，为更好的作物健康和管理做出贡献。

水稻是世界上最重要的粮食作物之一，但其生产不断受到真菌、细菌和病毒等病原体引起的叶部病害的威胁。这些疾病表现为叶子上的斑点或斑点，会严重影响作物健康和产量。传统的人工识别此类疾病是劳动密集型的并且容易出错。基于深度学习的分割技术的出现带来了改进，但当前的方法常常难以应对叶子图像中不规则的疾病特征、复杂的背景和模糊的边界。

A 研究（DOI：10.34133/plantphenomics.0218） 发表于 植物表型组学2024 年 8 月 5 日，帮助农民做出更好的决策，从而获得更健康的作物和更高的产量，同时减少对环境的影响。

AISOA-SSformer 模型引入了几个新组件来增强水稻叶部病害分割的性能。该团队使用 PyTorch 1.10.0 实现模型，以确保实验之间的一致性。采用稀疏全局更新感知器（SGUP）来稳定学习过程，有效捕获叶部病害的不规则特征。此外，还采用了显着特征注意机制（SFAM）来帮助模型过滤背景噪声，同时关注重要特征。这是通过两个关键模块实现的：空间重建模块（SRM）和通道重建模块（CRM），它们共同作用来分离和优化疾病特征。

为了进一步提高精度，该模型使用了退火集成麻雀优化算法（AISOA），该算法调整训练过程以避免陷入局部最优并提高对模糊叶子边缘的识别。与现有模型相比，AISOA-SSformer 实现了令人印象深刻的 83.1% 平均交集 (MIoU)、80.3% Dice 系数和 76.5% 的召回率，使其成为分割水稻叶部病害的最准确方法之一。消融研究证实了 SGUP、SFAM 和 AISOA 的综合影响，显着提高了 MIoU 和 Dice 系数。与现有模型（包括基于 CNN 和 Transformer 架构）的比较分析突显了 AISOA-SSformer 即使在复杂环境下也具有分割水稻叶部病害的卓越能力，强调了其在实际农业应用中的潜力。

AISOA-SSformer 模型代表了精准农业的突破，为识别水稻叶部病害提供了先进的工具。通过提高分割准确性并解决复杂背景和不规则疾病模式，该模型有可能彻底改变作物病害管理。未来，它可以应用于其他作物和农业挑战，为可持续农业和粮食安全做出重大贡献。

###

参考

DOI

10.34133/植物表型组学.0218

原始来源网址

https://doi.org/10.34133/plantphenomics.0218

资金信息

该工作得到长沙市自然科学基金（批准号：kq2014160）的资助；部分由中国国家自然科学基金资助（批准号：61703441）；湖南省教育厅重点项目（批准号：19A511）；湖南省智能物流技术重点实验室资助（批准号：2019TP1015）；部分由国家自然科学基金（批准号：61902436）资助。

关于 植物表型组学

科学合作伙伴期刊 植物表型组学是一份仅在线的开放获取期刊，由南京农业大学 (NAU) 作物遗传与种质增强国家重点实验室附属出版，由美国科学促进会 (AAAS) 发行。与参与 Science Partner Journal 计划的所有合作伙伴一样，Plant Phenomics 在编辑方面独立于 Science 系列期刊。该期刊编辑委员会的编辑决策和科学活动是独立做出的，以科学价值为基础，并遵守准确和道德的科学推广的最高标准。这些决定和活动决不受 NAU、NAU 行政部门或任何其他机构和赞助商的财政支持的影响。编辑委员会对期刊上发表的所有内容全权负责。要了解有关科学合作伙伴期刊计划的更多信息，请访问 SPJ 计划主页。