水稻细菌性条斑病的分割与严重程度估计方法_an approach for rice bacterial leaf streak disease-CSDN博客

本文链接：https://blog.csdn.net/weixin_45592298/article/details/119292664

本文提出了一种名为BLSNet的深度学习模型，用于水稻细菌性条斑病(BLS)的识别与分割，以及疾病严重程度的估计。BLSNet在病灶分割方面表现出高精度，优于DeepLabv3+和UNet。通过在实际田间图像上进行训练和验证，BLSNet在病害严重程度的评估中展现出强大的潜力，弥补了现有方法在精细评估和量化方面的不足。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Abstract

水稻细菌性条斑病(BLS)是水稻叶片上的一种严重病害，严重影响水稻的质量和数量。病害严重程度的自动估计是农业生产的重要要求。针对这一问题，提出了一种基于UNet网络语义分割的水稻和BLSNet叶片病变识别与分割方法。在BLSNet中引入注意机制和多尺度提取融合，提高了病灶分割的准确性。我们将该网络与DeepLabv3+和UNet作为用于语义分割的基准模型进行性能比较。结果表明，所提出的BLSNet模型具有较高的分割精度和分类精度。基于我们的BLS分割结果，对BLS疾病严重程度估计进行了初步研究，发现所提出的BLSNet方法有很强的潜力成为可靠的BLS疾病严重程度自动估计器。

关键词:水稻细菌性条斑病;叶疾病识别;病灶分割;语义分割;深度学习;卷积神经网络;疾病严重程度的评估

1. Introduction

【1】水稻(Oryza sativa L.)是亚洲三大主要作物之一，广泛种植。由于水稻生长在相对炎热和潮湿的条件下具有复杂的特性，它很容易生病。水稻细菌性条斑病(BLS)是影响水稻生产的最严重病害之一，发生在水稻生长周期的早期，传播迅速，危害严重。
【2】及时监测和预测黑穗病的发生发展对维持水稻生产具有重要意义。叶片通常受到BLS的损害，传统的BLS疾病严重程度的估计依赖于病变面积占总叶面积的比例。叶害的估计在很大程度上取决于农学家和农民的经验水平，这是劳动密集型和耗时的&#x