乐于分享
好东西不私藏
夜雨聆风 > > 办公文件 > 多光谱AI驱动成像检测葡萄霜霉病和灰霉病

多光谱AI驱动成像检测葡萄霜霉病和灰霉病

当前时间： 2026-08-17 17:07:43 分类：办公文件 评论(0)
多光谱AI驱动成像检测葡萄霜霉病和灰霉病
霜霉病（Plasmopara viticola）与灰霉病（Botrytis cinerea）是全球范围内为害最为严重的葡萄病害，可造成大幅减产并降低果实品质。传统基于肉眼观察与显微检测的诊断方法耗时、费力，且依赖较强的专业经验。本研究提出一种新型计算机视觉检测方法，通过在多光谱影像上联合实例分割与语义分割技术，实现葡萄病害的自动化识别。
研究从田间葡萄园采集了451组图像数据，包含RGB影像及5个波段多光谱图像（460 nm、540 nm、640 nm、780 nm、880 nm），样本涵盖健康叶片、灰霉病病叶与霜霉病病叶。本研究构建了两套互补方案：（1）基于YOLOv11的实例分割模型，用于快速叶片定位；（2）采用15通道输入的双分支SegFormer语义分割架构，输入信息包括RGB、多光谱波段、植被指数、YOLO生成掩膜及深度信息。该双分支SegFormer设置主分支用于多分类分割，辅助二分类分支用于叶片‑背景区分，并通过分支间一致性正则化提升模型性能。
结果表明，融合光谱信息、结构与空间特征可显著提升病害检测精度。YOLOv11模型叶片分割的mAP50达到89.7%。基于SegFormer的语义分割模型总体平均交并比（mIoU）为75.22%，F1值为83.53%，单类别叶片分割交并比（IoU）达91.79%。模型对各病害的分割精度表现良好，灰霉病分割IoU为94.32%、F1值97.08%，霜霉病分割IoU为75.50%、F1值86.04%。加入多光谱波段与衍生植被指数可使平均IoU提升3%–5%；融合YOLO掩膜与Depth Anything V2深度信息后，单类别IoU提升幅度超过11%。
另外，数据集存在类别不平衡问题，健康样本数量少于其他类别，表现为健康类别召回率显著偏低，易出现健康组织被误判为感病组织的情况。即便存在上述挑战，两类病害的精确率与召回率均较高，表明系统可稳定识别感病组织，假阳性、假阴性率较低，满足农业实际应用的关键要求。
该系统可实现葡萄病害无损、快速、客观检测，支持靶向施药，减少农药使用、降低成本并减轻环境影响。可搭载于手持设备、农业机器人及无人机等平台，适用于精准农业，有效提升葡萄园管理效率。未来可进一步扩充数据集、优化深度学习模型，并拓展至其他作物病害；同时开展全生育期田间验证，明确模型适用条件与局限，为实际应用提供支撑。
图1. 带注释的RGB图像示例。颜色表示类别标签：绿色，健康；橙色，灰色霉菌；蓝色，霜霉病；白色，未知
图2. 双分支SegFormer实例分割方法流程图
图3. 二分类分支结构可视化
图4. 整个模型的架构
图5. 生成的衍生指数实例： (a) NDVI；(b) CV；(c) GNDVI；（d）NPCI；（e）PSRI
图6. 通过与人工标注的RGB图像进行比较，并与YOLO模型的输出进行比较。(a)、(c)和(e)为模型的真实可视化，(b)、(d)和(f)为模型的输出可视化
图7. 比较了人工标注的RGB图像和双分支SegFormer模型的输出。(a)、(c)和(e)为模型的真实可视化，(b)、(d)和(f)为模型的输出可视化
表1. 通过不同超参数的试验结果确定最优模型配置
表2. 最优语义分割模型的总体与单类别详细评价指标
来 源

Dimitrios Kapetas , Panagiotis Christakakis , Ioannis Naounoulis , Ioannis Vagelas , Sofia Faliagka , Eleftheria Maria Pechlivani , Nikolaos Katsoulas , Multispectral AI-driven imaging for detection of downy mildew and gray mold in grapevines, Smart Agricultural Technology (2026), doi: https://doi.org/10.1016/j.atech.2026. 101990

编辑

JAYz

扩展阅读

戳这里，阅读原文