BiSeNeXt:基于复杂场景中的改进的BiSeNetV2的叶和疾病细分方法
Bibo Lu1, Yanjun Lu1, Di Liang1
1School of Computer Science and Technology, Henan Polytechnic University, Jiaozuo, China.
Frontiers in plant science
|August 21, 2025
概括
这项研究引入了BiSeNeXt用于叶病细分,在复杂的环境中实现了高精度. 这种方法有效地划分了叶子和病斑,改善了作物产量分析.
科学领域:
- 农业科学
- 计算机视觉
- 植物病理学
背景情况:
- 叶病对的质量和产量产生重大影响,因此需要进行精确的监测.
- 目前对叶病细分的研究是有限的, 面临着重叠的叶子,不均的照明和不规则的疾病斑点等挑战.
- 准确的细分对于在种植中识别和管理疾病至关重要.
研究的目的:
- 开发用于叶病细分的第一个数据集.
- 提出一个增强的细分方法,BiSeNeXt,在复杂的环境中提高准确性.
- 提供分析叶健康和疾病的坚实基础.
主要方法:
- 介绍了第一个叶病细分数据集.
- 开发了基于BiSeNetV2的增强细分方法BiSeNeXt.
- 集成的动态特征提取块 (DFEB) 与动态接收场卷积 (DRFConv) 和像素混合 (PixelShuffle) 进行精确的边缘检测.
- 使用高效非对称多尺度注意力 (EAMA) 来解决病变粘附.
- 使用PointRefine解码器进行细分预测的自适应性改进.
主要成果:
- 在叶片细分上实现了97.04%的交界度 (IoU),在疾病细分上实现了84.75%的 IoU.
- 与DeepLabV3+相比,叶片细分的IOU提高了2. 22%,疾病细分的IOU提高了5. 58%.
- 与DeepLabV3+相比,显著降低计算成本,只需要11.81%的FLOP和7.81%的参数.
结论:
- 在复杂的场景中精确而高效地划分叶斑.
- 拟议的方法为山羊病的分析和管理提供了重大进展.
- 这项工作为进一步的农业图像分析研究奠定了坚实的基础.


