像素级可解释胁迫指数：面向大田作物病害严重程度量化的语义分割框架
该论文提出一个统一的深度学习流程，集成语义分割、回归严重性估计和疾病分类，用于植物病害严重性量化。在苹果叶病害分割数据集上，U-Net（MobileNetV2）达到98.20%像素精度、0.70 mIoU和99.41%检测精度，每张图像处理时间仅14.7毫秒，适合实时应用。严重性指数与专家标注高度相关（r=0.968），证明了系统在自动化作物监测和决策支持中的可靠性。
植物病害由生物与非生物胁迫引起，每年导致全球农业产量损失20%至40%，经济损失超过2200亿美元。准确且可扩展的胁迫量化对精准农业至关重要，但传统人工评估不仅劳动密集，而且带有主观性。为了解决这一问题，本研究提出了一种统一的深度学习流程，将语义分割、基于回归的严重性估计和疾病分类整合在一起。该流程根据感染叶片面积的比例，将胁迫严重性分为四个等级：低、中、高和极高。
研究团队在苹果树叶病害分割数据集（包含1641个样本，涵盖六类病害）上进行了实验，评估了四种模型：基于MobileNetV2的U-Net、SegFormer、FCN和PSPNet。结果表明，U-Net（MobileNetV2）表现最佳，像素精度达到98.20%，平均交并比（mIoU）为0.70，检测精度为99.41%，每张图像处理时间仅需14.7毫秒，完全满足实时应用需求。SegFormer表现同样出色（mIoU 0.66），而FCN和PSPNet的空间精度较低（mIoU约0.49）。计算出的严重性指数与专家标注高度相关（r=0.968，R²=0.937），充分证明了该系统在自动化作物监测和决策支持中的可靠性。
该论文共26页，包含15张图和5张表格，于2026年7月5日提交至arXiv，作者为Raunak Kumar和Soumyashree Kar。研究涉及计算机视觉和模式识别以及机器学习领域。这一工作为精准农业提供了一种高效、客观的病害量化工具，有助于减少人工评估的变异性，并为大规模作物健康监测奠定了技术基础。