FLARE：通过显式关系建模提高对叶片病变的关注度，以评估田间病害的严重程度

《Computers and Electronics in Agriculture》：FLARE: Focused leaf–lesion awareness via explicit relational modeling for field disease severity assessment

植物叶片病害严重性评估中，传统方法受复杂背景干扰导致特征纠缠，影响准确性。本文提出FLARE框架，通过聚焦叶斑的视觉感知增强模块（FLLA-Net）分离病害与叶片特征，结合显式关系建模网络（ERMA-Net）模拟病斑分布，并引入多模态强化对比学习优化语义信息。在包含19类作物的复杂场景数据集上验证，较现有方法准确率提升3.34%。

　　

余雅|吴兴才|万巧玲|段玉娇|于佩佳|郭伟|王琪

贵州大学计算机科学与技术学院，公共大数据国家重点实验室，中国贵阳

摘要

植物叶片病害严重程度的评估有助于量化病害的发展进程，为精准施药提供依据，从而有效提高作物产量。田间病害评估通常面临复杂的背景干扰，这使得以往主要依赖混合感知的方法难以明确且独立地识别病斑和叶片区域。由此导致的信息纠缠给病害严重程度评估带来了偏差，最终限制了这些方法在现实场景中的适用性。为了解决这一问题，我们提出了一种基于显式关系建模的叶片-病斑感知（FLARE）方法用于病害严重程度评估。该框架包括两个主要组成部分：叶片-病斑感知网络（FLLA-Net）和显式关系建模评估网络（ERMA-Net）。FLLA-Net利用病斑和叶片掩膜来引导网络关注关键区域。由此产生的预训练视觉感知提取模块（VAE-Module）分别了解病斑和叶片的先验视觉知识，为ERMA-Net提供聚焦的视觉特征。ERMA-Net共享并冻结VAE-Module的参数，以显式提取病斑和叶片的层次化表示。随后，它执行视觉关系建模模块（VRM-Module）来模拟病斑在叶片上的分布。通过全局特征增强模块对得到的关系特征进行精细化处理。接着采用强化引导的对比学习策略来丰富语义信息，最后通过多层感知器预测病害严重程度。在推理过程中，FLARE仅需要图像，使其能够在现实场景中高效且实用地应用。为了支持现实世界的应用，我们构建了一个包含类别、分割掩膜、严重程度标签和相应文本注释的复杂场景综合数据集。广泛的实验结果表明，与现有评估模型相比，我们的方法在严重程度预测准确性上至少提高了3.34%，证实了FLARE在病害严重程度评估中的有效性和实际潜力。我们的代码和数据集可在http://flare.samlab.cn/获取。

引言

作物对全球粮食安全至关重要，其健康生长与国家粮食战略和社会稳定密切相关（Omaye等人，2024年）。植物病害仍然是作物生产的主要威胁，导致全球主要作物的产量损失高达30%，并造成数百亿美元的经济损失（Gai和Wang，2024年）。合理的农药施用策略对于维持农业生产力至关重要，然而不准确或过度使用不仅会降低效率，还会导致环境污染和成本增加。准确评估病害严重程度可以量化植物病害的发展进程，为合理施药提供关键基础。因此，病害严重程度评估对于确保稳定的可持续粮食生产具有重要的实际意义。

传统的植物叶片病害严重程度评估通常依赖于有经验的作物保护专家进行的田间调查。这些方法耗时、劳动密集且具有主观性（Mahlein，2016年；Bock等人，2010年），使其不适合大规模评估。随着机器学习技术的发展，这些方法已被广泛用于评估植物叶片病害严重程度。Mehra等人（2016年）使用多元回归和三种机器学习方法预测冬小麦播种前Stagonospora nodorum斑病的风险水平。Kumari等人（2025年）提出了一种结合光谱分析和机器学习来检测番茄中花生芽坏死病毒严重程度的方法。Singh等人（2023年）通过整合热成像、可见光成像、机器学习和模型集成技术，实现了对鹰嘴豆枯萎病严重程度的准确评估。尽管自动化检测技术有所进步，但机器学习方法仍依赖于手动特征工程，导致在实际应用中的鲁棒性有限。

近年来，由于深度学习强大的特征学习能力，它已成为一个突出的研究焦点（Pacal等人，2024年；Leite等人，2024年）。特别是卷积神经网络（CNNs）（Haque等人，2022年）和Transformer模型（Salamai，2024年）通过自动提取病斑纹理和颜色等区分性特征，提高了病害严重程度评估的准确性。例如，Bleasdale和Whyatt（2025年）结合时间序列数据对MobileNetV2和EfficientNetV2L模型进行了微调，以分析不同光照条件和严重程度下的分类性能。Gao等人（2024年）提出了一种改进的YOLOv5s模型，用于快速准确地实时检测小麦赤霉病及其严重程度。Yang等人（2023年）设计了一种新型的三分支Swin Transformer分类网络，采用多任务学习策略来分类植物病害的类型和严重程度。然而，在实际的田间条件下，复杂和异质的背景给现有方法带来了巨大挑战。这些方法主要依赖于混合感知学习，而对病斑或叶片区域的独立关注不足。这容易导致特征与背景、叶片和病斑信息混杂，从而导致有偏的严重程度评估，如图1(a)所示。相比之下，人类视觉感知倾向于关注病斑及其在叶片上的分布，同时忽略无关的背景信息。受此启发，我们引入了由病斑和叶片掩膜引导的显式视觉感知，以获取它们的先验知识，然后建模它们之间的关系，从而模拟病斑在叶片上的分布（图1(b)）。与现有方法相比，我们的方法结合了背景消除、分布感知和区域感知，以实现更准确和稳健的严重程度估计。

具体来说，我们提出了一种基于显式关系建模的叶片-病斑感知（FLARE）方法用于病害严重程度评估。该方法明确关注病斑和叶片，模拟病斑在叶片上的分布，以实现与人类视觉感知相似的病害严重程度评估。具体而言，FLARE包括两个互补的模块：叶片-病斑感知网络（FLLA-Net）和显式关系建模评估网络（ERMA-Net）。首先，FLLA-Net包含一个视觉感知提取模块（VAE-Module），通过病斑和叶片分割掩膜引导，准确捕获病斑特征和相应的叶片特征。其次，ERMA-Net冻结VAE-Module的参数，以获得病斑和叶片的层次化表示，随后由视觉关系建模模块（VRM-Module）用于模拟病斑在叶片上的分布。这些关系特征首先通过全局特征增强模块进行精细化处理，然后通过多模态强化引导的对比学习策略进行优化，以利用文本病害描述增强模型对病斑的语义理解。经过丰富的特征处理后，通过多层感知器预测最终的病害严重程度。此外，构建了一个专门的数据集，其中包含植物和病害类别、分割掩膜、严重程度和描述，以支持该方法在复杂现实场景中的应用。总之，本文的贡献包括以下方面：

• 1.
  我们通过引入一种视觉感知方法来解决复杂和异质田间背景的问题，该方法抑制背景干扰并关注关键病斑区域，以实现可靠的严重程度估计。
• 2.
  我们提出了一种关系感知方法，模拟叶片和病斑之间的关系，以模拟它们的空间分布，从而实现生物学上可解释的严重程度评估。
• 3.
  我们构建了一个包含19种作物在复杂现实条件下的多级注释的数据集，包括类别、分割、严重程度和描述。
• 4.
  与现有方法相比，我们的方法在病害严重程度评估的准确性上至少提高了3.34%。

部分摘录

数据集

深度学习是一种数据驱动的技术，严重依赖于训练数据的规模和质量。在植物病害研究领域，现有数据集中注释维度和场景多样性的限制显著阻碍了强大模型的开发和应用。通过对现有公共植物病害数据集的系统性回顾，发现总结在表1中。我们确定了当前公共数据集中的三个主要限制：

与其他分类模型的性能比较

为了验证所提出的基于显式关系建模的叶片-病斑感知（FLARE）在病害严重程度评估中的有效性，我们首先在病斑和叶片分割数据集上预训练叶片-病斑感知网络（FLLA-Net）。然后，我们使用病害严重程度评估数据和相应的图像描述来训练显式关系建模评估网络（ERMA-Net），而测试仅在严重程度上进行

用于严重程度评估的分割

在植物叶片病害严重程度评估中，病斑的空间分布和形态特征是区分严重程度的关键指标。然而，传统的端到端模型通常依赖于混合感知，这往往会导致病斑、叶片和背景信息混杂，从而限制了模型捕捉细粒度语义线索的能力。

结论

准确评估植物叶片病害严重程度对于指导合理施药和确保稳定的农业生产力至关重要。然而，现有方法常常受到病斑、叶片和背景之间特征纠缠的影响，这限制了它们在田间的鲁棒性和准确性。为了解决这些挑战，我们提出了FLARE，这是一种用于植物叶片病害严重程度评估的显式关系建模的叶片-病斑视觉感知框架。

CRediT作者贡献声明

余雅：撰写——原始草案，方法论。吴兴才：撰写——审阅与编辑，概念化。万巧玲：验证。段玉娇：验证。于佩佳：撰写——审阅与编辑。郭伟：撰写——审阅与编辑。王琪：撰写——审阅与编辑。

利益冲突声明

本研究得到了贵州省科技创新平台研究项目（CXPTXM[2025]026、CXPTXM[2025]024）、国家自然科学基金（编号62506089）、贵州省青年科技人才项目（[2024]317）、贵州省科技项目（[2024]002、CXTD [2023]027）、贵州省基础研究计划（自然科学）（Qiankehe Foundation MS[2026]080）的支持。