【农业科研】基于无人机遥感和深度学习的葡萄卷叶病感染程度诊断方法

在葡萄生长的后期，叶片出现了各种不同的病害，其中比较常见的有多种，比如霜霉病、黑腐病褐斑病、卷叶病等，都会影响到葡萄的生长与结果。

针对葡萄生长后期叶片发生的病害，可以采取一些措施来进行防治。比如说，在种植的过程中，要注意灌溉的方式和时机，保持土壤的透气性和排水性，避免湿度过高。同时，及时清除患上病害的叶片和果实，防止病菌的传播和扩散。在发现病害症状时，要及时使用相应的农药进行治疗，避免病情继续恶化。

葡萄卷叶病是一种严重影响葡萄产量和品质的病害。葡萄卷叶病感染程度类别之间存在严重的数据不平衡，导致无人机遥感技术难以进行精确的诊断。

西北农林科技大学机械与电子工程学院与农业农村部农业物联网重点实验室、陕西省农业信息感知与智能服务重点实验室、西北农林科技大学葡萄酒学院、宁夏贺兰山东麓葡萄产业园区管理委员会等机构联合组成了以苏宝峰科研团队。针对此问题，提出一种结合细粒度分类和生成对抗网络(Generative Adversarial Network，GAN)的方法，用于提高无人机遥感图像中葡萄卷叶病感染程度分类的性能。

以蛇龙珠品种卷叶病识别诊断为例，使用GANformer分别对每一类的葡萄园正射影像的分块图像进行学习，生成多样化和逼真的图像以增强数据，并以Swin Transformer tiny作为基础模型，提出改进模型CA-Swin Transformer，引入通道注意力机制(Channel Attention，CA)来增强特征表达能力，并使用ArcFace损失函数和实例归一化(Instance Normalization，IN)来改进模型的性能。

GANformer可以生成FID score为93.20的蛇龙珠虚拟冠层图像，有效地改善数据不平衡问题。同时，相比基于卷积神经网络(Convolutional Neural Networks，CNN)的深度学习模型，基于Transformer的深度学习模型在卷叶病感染程度诊断的问题上更具优势。最佳模型Swin Transformer在增强数据集上达到83.97%的准确率，比在原始数据集上提高3.86%，且高于GoogLeNet、MobileNetV2、NasNet Mobile、ResNet18、ResNet50、CVT和T2TViT等对照模型。而该研究所提的CA-Swin Transformer在增强数据后的测试集上达到86.65%的分类精度，比在原始的测试集上使用Swin Transformer精度提高6.54%。

该研究基于CA-Swin Transformer使用滑动窗口法制作了葡萄园蛇龙珠卷叶病严重程度分布图，为葡萄园卷叶病的防治提供了参考。同时，该研究的方法为无人机遥感监测作物病害提供了一种新的思路和技术手段。

审核编辑 黄宇