面向多种作物叶片病害的像素级分割方法研究
王从胜
李庆阳
邱秀荣
商丘工学院 信息与电子工程学院,河南 商丘 476000
摘要：精准的像素级分割是实现作物叶片病害自动诊断与量化评估的关键技术,但现有模型在跨作物、跨病害的泛化性能尚未得到充分验证.以公开的PlantDoc数据集为实验材料,系统评估主流深度学习模型U-Net和DeepLabV3+在多种作物叶片病害像素级分割任务中的泛化表现.结果表明,U-Net模型在PlantDoc数据集上表现出卓越的分割性能,平均交并比、均像素准确率和准确率分别达到了77.20%、84.50%和93.64%,全面优于DeepLabV3+模型对应指标,分别为55.63%、62.77%和86.41%.研究结果为农业智能诊断系统提供了模型选择依据.
关键词：作物U-Net模型DeepLabV3+模型叶片病害图像分割
分类号：S432(病虫害及其防治)
资助基金：河南省高等学校重点科研项目(24B413009)
论文发表日期：2026-02-10
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：4( 70-73 )
英文信息