植物病害由生物與非生物脅迫引起，每年導致全球農業產量損失20%至40%，經濟損失超過2200億美元。準確且可擴充套件的脅迫量化對精準農業至關重要，但傳統人工評估不僅勞動密集，而且帶有主觀性。為了解決這一問題，本研究提出了一種統一的深度學習流程，將語義分割、基於迴歸的嚴重性估計和疾病分類整合在一起。該流程根據感染葉片面積的比例，將脅迫嚴重性分為四個等級：低、中、高和極高。
研究團隊在蘋果樹葉病害分割資料集（包含1641個樣本，涵蓋六類病害）上進行了實驗，評估了四種模型：基於MobileNetV2的U-Net、SegFormer、FCN和PSPNet。結果表明，U-Net（MobileNetV2）表現最佳，畫素精度達到98.20%，平均交併比（mIoU）為0.70，檢測精度為99.41%，每張影像處理時間僅需14.7毫秒，完全滿足即時應用需求。SegFormer表現同樣出色（mIoU 0.66），而FCN和PSPNet的空間精度較低（mIoU約0.49）。計算出的嚴重性指數與專家標註高度相關（r=0.968，R²=0.937），充分證明了該系統在自動化作物監測和決策支援中的可靠性。
該論文共26頁，包含15張圖和5張表格，於2026年7月5日提交至arXiv，作者為Raunak Kumar和Soumyashree Kar。研究涉及計算機視覺和模式識別以及機器學習領域。這一工作為精準農業提供了一種高效、客觀的病害量化工具，有助於減少人工評估的變異性，併為大規模作物健康監測奠定了技術基礎。