稻瘟病作为水稻种植中最具破坏性的病害之一，每年造成全球10-50%的产量损失，其中穗瘟在抽穗期发病可直接导致绝收。传统监测方法如高光谱遥感存在数据噪声大、计算复杂等问题，而机器学习方法又面临数据不平衡导致的早期病害漏检难题。福建农林大学机械与电气工程学院团队在《Plant Methods》发表的研究，创新性地将计算机视觉前沿技术与农业病害检测相结合，开发出能适应无人机复杂拍摄环境的智能诊断系统。

研究采用ConvNeXt-Large作为骨干网络进行多尺度特征提取，结合全局注意力机制(GAM)强化关键区域关注，通过Focal Tversky Loss函数优化类别不平衡处理。实验数据来自福建上杭县稻种资源基地，使用大疆Mavic 2 Pro无人机在5米高度采集1175张高分辨率RGB图像，按国际水稻研究所标准划分为6个病害等级。

关键技术包括：1)基于无人机航拍构建多等级穗瘟数据集；2)采用深度可分离卷积的ConvNeXt-Large网络提取特征；3)设计含通道-空间双模块的GAM注意力机制；4)应用含γ参数调节的Focal Tversky Loss解决样本不平衡；5)通过HSV色彩空间转换实现病斑面积量化计算。

模型性能方面，ConvGAM在测试集上达到91.4%整体准确率，平均IoU为0.79，F1分数0.82。梯度分析显示Focal Tversky Loss比Dice Loss和交叉熵损失训练更稳定，在450步即达到0.8611最高召回率。病害等级相关性分析表明，模型对1-5级病害的预测值与真实值相关系数达0.962-0.993。可视化结果显示，模型能准确区分健康组织(红色标注)与不同严重程度病斑(1-5级分别用绿到黄色渐变标注)。

讨论部分指出，相比传统方法该研究有三方面突破：1)ConvNeXt-Large的深度可分离卷积设计将参数量减少70%同时保持特征提取能力；2)GAM机制通过三维通道注意力与双层卷积空间注意力的协同，使小病灶检测灵敏度提升32%；3)Focal Tversky Loss通过调整α=0.7, β=0.3, γ=0.75参数组合，使罕见类别(5级病害)检测准确率提高19.8%。但与Chi-SVM方法相比，在极端严重病例识别上仍有4%精度差距。

该研究为田间稻瘟病监测提供了可部署于移动终端的高效解决方案，未来通过融合多光谱数据与生成对抗网络(GAN)数据增强，有望进一步提升模型在阴雨天气下的鲁棒性。成果对实现联合国可持续发展目标(SDGs)中的零饥饿目标具有重要实践价值，相关技术路线可扩展至小麦赤霉病等其它作物病害检测领域。

打赏

下载安捷伦电子书《通过细胞代谢揭示新的药物靶点》探索如何通过代谢分析促进您的药物发现研究

10x Genomics新品Visium HD 开启单细胞分辨率的全转录组空间分析！

欢迎下载Twist《不断变化的CRISPR筛选格局》电子书

单细胞测序入门大讲堂 - 深入了解从第一个单细胞实验设计到数据质控与可视化解析

下载《细胞内蛋白质互作分析方法电子书》