基于多任务学习的番茄叶病害及严重程度预测

《BMC Plant Biology》：Tomato leaf disease and severity prediction using multi-task learning

　　

摘要

准确及时地识别植物病害及其严重程度对于有效管理作物和减少农业损失至关重要。尽管深度学习领域的最新进展在植物病害分类方面表现出色，但针对病害严重程度的量化研究却相对较少，而这一量化工作对于做出明智的农艺决策极为重要。为填补这一空白，本研究提出了TomatoMTL，这是一种统一的多任务学习框架，能够通过单张图像同时实现番茄叶病害的分类与严重程度估算。该框架采用基于ResNet50的共享卷积结构，并通过CBAM技术对特征进行优化，随后再通过针对不同任务的分支分别完成病害分类和严重程度预测。此外，还引入了跨任务注意力机制，使与病害相关的特征与严重程度相关特征之间能够相互协作，从而提升严重程度估算的准确性。为充分利用部分标记的数据，训练过程中采用了掩码策略。在公开发布的番茄叶病害严重程度数据集上的实验结果表明，所提出的模型在病害分类方面的准确率为97.85%，在严重程度预测方面的准确率为77.66%，其性能优于包括EfficientNetV2-S、ViT-B/16和ConvNeXt-Tiny在内的现有单任务分类器，以及Cross-Stitch Networks和MTAN等现有的多任务学习模型。多项消融实验进一步验证了CBAM、MixUp和CutMix增强技术以及跨任务注意力机制各自的贡献。经过五次独立实验的统计显著性分析，其p值均小于0.001，Cohen’s d值大于14，足以证明所提改进的可靠性。定量定位分析显示，该模型的“指认游戏”准确率达到了89.4%，这表明注意力图确实集中在具有生物学意义的病害区域。所提出的框架为综合分析植物病害提供了一种完整且有效的解决方案，其在实际精准农业应用中具有巨大潜力。