植物病害分级调研

Web of Science搜索，关键字“plant disease severity recognition”，共407篇，限制2023年以后共71篇

2019、2020

《Disentangled Representation Learning for Leaf Diseases Recognition》

2019 IF：0.8

论文：Disentangled Representation Learning for Leaf Diseases Recognition | SpringerLink

数据集：2018年全球人工智能挑战赛植物疾病数据集（2018 Global AI Challenge Plant Disease Datasets）。

提出了一种解耦表示交互网络(DRIN)，解耦表示每个植物叶片的全局特征，并学习多个子属性的区分性表示，包括植物物种、病害类型和病害严重程度。解耦表示网络通过子属性间的信息交互将联合概率转化为条件概率。此外，引入数据过滤，减少属性交互中的错误消息。

输入层：网络接收植物叶片的图像作为输入。
预训练卷积层：这部分用于提取图像中的植物疾病特征。通过一系列的卷积、池化和激活操作，生成深层特征表示。
解耦表征网络：将提取的全局特征发送到三个分支网络。每个分支网络分别学习植物的种类、疾病类型和疾病严重程度的特征。这些特征有助于更准确地进行检测任务。
属性交互：在解耦表征子网络中，通过子属性之间的信息交互，将联合概率转换为条件概率。这种交互利用了属性间的自然层次关系，比如已知植物种类后更容易识别疾病类型，以及在已知种类和疾病类型的情况下更容易推断疾病严重程度。
属性融合：将分解得到的子属性结果进行融合，以获得最终预测结果。这个过程涉及到子属性之间的相互监督，确保预测结果的一致性。
数据过滤：为了减少属性交互过程中的错误信息，引入了数据过滤方法。在数据过滤阶段，使用批量样本的疾病严重程度标签来测试与预测结果的一致性，并根据一致性调整样本在网络优化中的权重。
输出层：最终，通过属性融合和数据过滤，网络输出对植物叶片疾病的预测结果。

《PD2SE-Net: Computer-assisted plant disease diagnosis and severity estimation network》

农林科学ToP2019 IF：7.7 Computers and Electronics in Agriculture

论文：PD2SE-Net: Computer-assisted plant disease diagnosis and severity estimation network - ScienceDirect

数据来源：数据集来源于AI Challenger Global AI Contest和Hughes及Salathe（2014, 2015）发布的合成数据集。数据集最终包括45个疾病严重程度估计类别，27个不同健康或疾病类别用于植物疾病分类，以及9个植物物种类别用于识别。

提出了一种鲁棒的基于图像的植物病害诊断和严重性估计网络(PD 2 SE-Net)，该网络包含残差结构和shuffle单元。该文的目的是设计一个更优秀、更实用的植物病害诊断系统。PD 2 SE-Net能够同时解决常见植物病害诊断和病害严重程度估计问题。此外，利用卷积神经网络(convolutional neural networks, cnn)的数据增强和可视化技术，在训练阶段提高超参数的精度并加速超参数的优化选择。可以同时估计植物的疾病严重程度、识别物种和对疾病进行分类。

(a)参数共享层;(b) layer -3表示layer -4和Shuffle Block2之间的参数共享层，layer -4是用于严重程度估计的高维特征提取器;(c)用于植物物种识别的特征提取器;(d)植物病害诊断特征提取器;(e)全连接层。

2021、2022

《SEV-Net: Residual network embedded with attention mechanism for plant disease severity detection》

计算机科学4区 2021

论文：SEV‐Net: Residual network embedded with attention mechanism for plant disease severity detection - Zhao - 2021 - Concurrency and Computation: Practice and Experience - Wiley Online Library提出一种基于深度学习的注意力网络模型(SEV-Net)用于植物病害严重程度识别与分类。该网络将改进的通道和空间注意力模块嵌入到ResNet的残差块中。所提注意力模块减少了通道间信息的冗余，专注于特征图中信息最丰富的区域。

《DIANA: A deep learning-based paprika plant disease and pest phenotyping system with disease severity analysis》

计算机科学4区 2022 IF：4.1 Frontiers in Plant Science

论文：Frontiers | DIANA: A deep learning-based paprika plant disease and pest phenotyping system with disease severity analysis (frontiersin.org)

DIANA系统在新构建的多样化辣椒疾病和害虫识别数据集上进行了评估和分析，该数据集包括六个异常类别以及11个不同的严重程度级别。

数据集链接：https://github.com/Mr-TalhaIlyas/DIANA

提出了一个框架，除了识别和定位各种植物异常之外，还告知用户植物感染疾病的严重程度。通过将单幅图像作为输入，该算法能够生成详细的描述短语(用户定义)，显示图像中出现的所有异常的位置、严重程度和视觉属性。我们的框架由三个主要组件组成。其中一种是基于深度神经网络的特征提取器，通过提取基于区域的异常特征，准确、高效地识别和定位植物中的异常。第二个是一个编码器-解码器网络，执行像素级分析以生成特定于异常的严重级别。最后，作为集成单元，将各单元的信息进行汇总，并为所有检测到的异常实例分配唯一的IDs，从而生成描述感染植物的位置、严重程度和类型的描述性语句。

BiFPN Layer：多尺度特征融合
DAM：注意力

《L-CSMS: novel lightweight network for plant disease severity recognition》

农林科学4区 2021 Journal of Plant Diseases and Protection IF：2.1

论文：L-CSMS: novel lightweight network for plant disease severity recognition | Journal of Plant Diseases and Protection (springer.com)

植物疾病严重程度数据集：这个数据集是作者在之前的研究中提出的，用于植物疾病严重程度的识别。它包含45个类别，分别对应不同的疾病严重程度，27个不同的健康或疾病类别，以及9个不同植物种类的图像。这个数据集是从AI Challenger全球AI竞赛网站获取的。

提出了一种基于轻量级卷积神经网络(CNN)、通道混洗和多尺寸模块(L-CSMS)的植物病害严重程度识别方法。具体而言，所提出的堆叠块由残差学习、通道混洗操作和多尺寸卷积模块组成。本文的主要贡献包括:设计了一种适用于实际植物病害严重程度诊断的轻量级、精确的网络系统;这是第一次尝试将通道混洗操作和多尺寸卷积模块作为堆叠拓扑合并到构建块中。

a. the general block, b. the down-sample block

《A cucumber leaf disease severity classification method based on the fusion of DeepLabV3+ and U-Net》

农林科学ToP2021 IF：7.7 Computers and Electronics in Agriculture

论文：A cucumber leaf disease severity classification method based on the fusion of DeepLabV3+ and U-Net - ScienceDirect

数据集：收集的图像类别包括健康的黄瓜叶片、黄瓜霜霉病、黄瓜白粉病和黄瓜病毒病。

提出了一种融合DeepLabV3和U-Net的复杂背景下黄瓜叶部病害严重程度分类(DUNet)的两阶段模型。在第一阶段，该模型使用DeepLabV3从复杂背景中分割出叶子;将分割后得到的叶片图像作为第二阶段的输入。第二阶段利用U-Net对病叶进行分割得到病斑。最后计算病斑像素面积与叶片像素面积的比值，从而对病害严重程度进行分类。

《Fusion of Deep Convolution and Shallow Features to Recognize the Severity of Wheat Fusarium Head Blight》

生物学TOP 2021 IF：4.1 Frontiers in Plant Science

论文：Frontiers | Fusion of Deep Convolution and Shallow Features to Recognize the Severity of Wheat Fusarium Head Blight (frontiersin.org)

对所有图像进行预处理，消除背景噪声，提高识别准确率;将ImageNet 2012数据集训练的AlexNet模型参数迁移到测试数据集，提取小麦FHB的深度卷积特征;然后，提取小麦穗的颜色和纹理特征作为浅层特征;然后，使用Relief-F算法融合深度卷积特征和浅层特征作为最终的FHB特征;最后，利用随机森林对不同FHB严重程度的特征进行分类识别。

AlexNet网络结构示意图。黑色数字表示特征图的大小。红色数字表示内核的大小。CONV表示卷积。POOL表示最大池化。FC表示全连接。

2023~2024

《Tomato leaf disease recognition based on multi-task distillation learning》

生物学2区 IF：4.1 Frontiers in Plant Science 2024

论文：[PDF] Tomato leaf disease recognition based on multi-task distillation learning | Semantic Scholar

提出一种新的多任务蒸馏学习(MTDL)框架，用于番茄叶部病害的综合诊断。通过多阶段的知识解耦、互学习和知识整合策略，利用分类和严重程度预测的互补性。结果实验表明，该框架在降低模型复杂度的同时提高了性能。

MTDL框架由三个主要部分组成：

单任务模型：两个单任务模型，一个用于病害识别（Tc），另一个用于病害严重程度预测（Ts）。
多任务模型：一个混合模型，集成了上述两个任务（Th），在共享的网络主干上同时执行病害分类和严重程度估计。
蒸馏学习过程：包括知识解耦、单任务相互学习和知识整合。

《Identifying plant disease and severity from leaves: A deep multitask learning framework using triple-branch Swin Transformer and deep supervision》

农林科学2023 IF：7.7 Computers and Electronics in Agriculture

数据集描述：使用的是AI Challenger 2018数据集，这是植物疾病和严重程度分类领域中最广泛使用的公共数据集之一。AI Challenger 全球AI挑战赛-亿欧 (iyiou.com)

论文：Identifying plant disease and severity from leaves: A deep multitask learning framework using triple-branch Swin Transformer and deep supervision - ScienceDirect

提出了一种新的三分支Swin Transformer分类(TSTC)网络，用于同时和分别对疾病和严重程度进行分类。TSTC网络由多任务特征提取模块、特征融合模块和深度监督模块组成。首先，在多任务分类策略下(一个用于疾病分类、一个用于严重程度分类、一个用于深度监督)，基于Swin Transformer主干构建一个三分支网络来提取初步特征;然后，利用紧凑双线性池化技术对这些特征进行融合，以增强特征提取器的学习能力，从而提取出更具判别力的特征;最后，深度监督模块结合了来自隐藏层和TSTC最后一层的损失，以便它可以朝着所有层都可以有效地用于疾病和严重性分类的方向进行训练。

《Classification models for Tobacco Mosaic Virus and Potato Virus Y using hyperspectral and machine learning techniques》

生物学2区 2023 IF：4.1 Frontiers in Plant Science

论文：Frontiers | Classification models for Tobacco Mosaic Virus and Potato Virus Y using hyperspectral and machine learning techniques (frontiersin.org)

数据集：研究在中国青岛的烟草研究所进行，使用了烟草品种K326和TMV或PVYN病原体。

本文提出采用高光谱和机器学习技术来识别PVY和TMV感染的烟叶类型和严重程度。首先，我们采用了多元散射校正(MSC)、标准正态变量(SNV)和Savitzky-Golay平滑滤波(SavGol)三种预处理方法对叶片全长光谱片数据(350-2500nm)进行校正。随后，利用支持向量机(SVM)和随机森林(RF)两种分类器建立监督分类模型，包括二分类模型(健康/病叶或PVY/TMV病叶)和六分类模型(健康和不同病叶严重程度)。

数据预处理：使用了三种预处理方法：多元散射校正（MSC）、标准正态变量（SNV）和Savitzky-Golay平滑滤波器（SavGol）。
分类器：研究中使用了两种分类器，支持向量机（SVM）和随机森林（RF）

《AgriDet: Plant Leaf Disease severity classification using agriculture detection framework》

计算机2区 2023 Engineering Applications of Artificial Intelligence

论文：AgriDet: Plant Leaf Disease severity classification using agriculture detection framework - ScienceDirect

数据集：

PlantVillage数据集：描述：适用于植物疾病研究，包含超过152种作物和38个类别。收集了超过56,000张图像，包括本地种植的作物及其相关的疾病图像。
PlantDoc数据集：包含约29,000张从互联网下载的图像，使用38种不同类别植物的通用和科学名称。经过筛选去除不适当的图像，如非叶片植物、超出范围的图像、重复图像和实验室控制的图像。最终，PlantDoc数据集包含27个类别，13个物种和2,598张图像。

提出了一种农业检测(AgriDet)框架，该框架融合了传统的Inception-Visual Geometry Group网络(INC-VGGN)和基于kohonen的深度学习网络来检测植物病害并对患病植物的严重程度进行分类。在该框架下，对采集到的图像进行预处理，去除图像中的所有约束。然后，利用提出的多变量grabcut算法解决遮挡问题，实现有效分割;此外，该框架利用一种改进的基础网络，即预训练的基于常规的INC-VGGN模型，实现精确的疾病检测和分类。在这里，预训练的INC-VGGN模型是一个用于预测植物病害的深度卷积神经网络，之前为独特的数据集进行了训练。将该基础网络中预训练的权重和学习到的特征迁移到新开发的神经网络中，对我们的数据集执行特定的植物病害检测任务。为了克服过拟合问题，引入dropout层，使用Kohonen学习层对特征进行深度学习。经过百分比计算后，改进的基网络对训练集中的严重度类别进行分类。

《Assessing fusarium oxysporum disease severity in cotton using unmanned aerial system images and a hybrid domain adaptation deep learning time series model》

农林科学1区2023 Biosystems Engineering IF：4.4

论文：Assessing fusarium oxysporum disease severity in cotton using unmanned aerial system images and a hybrid domain adaptation deep learning time series model - ScienceDirect

提出了一种基于时间序列分析的疾病进展时序分析方法。结合卷积神经网络和双向长短期记忆网络(CNN-BiLSTM)融合时空信息，将疾病划分为5个严重程度等级。评估了各种特征提取方法，包括手工和基于cnn的特征提取器。此外，针对域偏移问题，提出了一种特征级的域适应方法。该方法旨在学习尽管源数据集和目标数据集存在差异，但仍保持一致的可迁移特征表示。该方法增强了CNN-BiLSTM模型的时空迁移能力，实现了对历史数据集的有效利用。

(A)使用基于高斯核的最大均值差异(GK-MMD)来对齐源域(X ^S )和目标域(X ^T )的特征分布的域适应过程。(B)概述了卷积神经网络(CNN)特征提取(x _cs )，然后是用于处理序列数据的双向长短期记忆(BiLSTM)网络。(C)说明了单个LSTM单元的内部结构，包括输入门(i _t )、忘记门(f _t )、输出门(o _t )、前一个细胞状态(C _t-1 )、当前细胞状态(C _t )、前一个隐藏状态(h _t-1 )、当前隐藏状态(h _t )。

《Detecting tomato disease types and degrees using multi-branch and destruction learning》

农林科学ToP2023 Computers and Electronics in Agriculture IF：7.7

论文：Detecting tomato disease types and degrees using multi-branch and destruction learning - ScienceDirect

数据集：来自植物村庄（Plant Village）的番茄疾病数据集合，称为番茄数据集（Tomato Dataset, TD）。

该模型以ResNet-50为骨干网络，在其上构建了目标定位、破坏重组和注意力区域划分模块。目标定位模块无需添加参数或进一步的边界标注，即可可靠地预测病灶的位置。通过删除上下文语义数据，所提出的解构和重组模块学习到更细粒度的特征。注意力区域划分模块能够定位病灶位置，从而提高识别精度。

原始分类分支（Original Classification Branch, OCB）：使用迁移学习技术，对预训练的ResNet-50模型进行微调，以适应番茄疾病识别任务。
目标定位模块（Object Positioning Module, OPM）：利用聚合图（aggregation map）技术来确定图像中的关键区域，无需额外的训练设置即可识别主要对象。
破坏与重构模块（Destruction and Reassembly Module, DRM）：通过随机扰乱图像的全局结构，迫使模型专注于局部关键特征信息，增强其捕捉细粒度细节的能力。
注意力区域划分模块（Attention Area Division Module, AADM）：使用滑动窗口技术来识别图像中的病变区域，提高模型对局部特征的精确学习能力。

《An optimal hybrid multiclass SVM for plant leaf disease detection using spatial Fuzzy C-Means model》

计算机科学ToP 2023 Expert Systems with Applications IF：7.5

论文：An optimal hybrid multiclass SVM for plant leaf disease detection using spatial Fuzzy C-Means model - ScienceDirect

数据集：数据集包含54,303张健康和患病的叶片图像，涵盖了不同的作物，如番茄、柑橘、水稻、桃等，以及多种叶片疾病，包括scab（痂病）、rust（锈病）、mildew（白粉病）、grey leaf spot（灰斑病）、black rot（黑腐病）、early blight（早期疫病）、late blight（晚期疫病）、powdery mildew（粉霉病）、bacterial spot（细菌性斑点）、black measles（黑麻疹）和leaf curl virus（卷叶病毒）。

提出一种用于植物叶部病害检测的混合随机森林多类支持向量机(HRF-MCSVM)设计方法。为提高计算精度，在分类前利用空间模糊c均值对图像特征进行预处理和分割。

数据预处理：使用不同的操作，如裁剪、调整大小、平滑、增强、背景消除和颜色空间转换，以增强叶片图像的清晰度。
图像分割：使用超像素模糊C均值聚类（Superpixel Fuzzy C-Means clustering, SPFCM）对图像病变和病变部分进行分割，以获取用于评估疾病严重性的精确区域。
特征提取与分类：结合随机森林（Random Forest, RF）和多类支持向量机（Multiclass SVM, MCSVM）形成HRF-MCSVM模型，用于植物叶片疾病检测。RF用于特征提取，而MCSVM用于分类。
优化算法：使用塔斯马尼亚恶魔优化算法（Tasmanian Devil Optimization, TDO）来优化HRF-MCSVM模型的高斯核宽度和边界参数，以提高分类器的真正例率（True Positive Rate, TPR）。

《Assessing the severity of cotton Verticillium wilt disease from in situ canopy images and spectra using convolutional neural networks》

农林科学ToP 2023 IF：6

论文：Assessing the severity of cotton Verticillium wilt disease from in situ canopy images and spectra using convolutional neural networks - ScienceDirect

开发了两种深度学习方法，分别使用原位图像和光谱。对于基于图像的方法，考虑到现场环境的高复杂性，首先将棉花病害叶片识别任务转换为棉田场景分类任务，然后构建了一个棉田场景(CFS)数据集，每个场景单元类型包含1000多幅图像。我们使用CFS数据集进行预训练卷积神经网络(cnn)的训练和验证，然后使用训练后的网络对每个冠层的场景单元进行分类。

基于图像的方法：

使用了预训练的卷积神经网络（CNNs），包括DarkNet-19, VGG-16, ResNet-50, 和 InceptionV3。
这些网络在棉花田场景（Cotton Field Scene, CFS）数据集上进行了微调（fine-tuning），以分类棉花田场景单元，如健康叶片、黄萎病叶片、红叶等。
DarkNet-19模型在CFS分类和VW严重程度（VWS）值估计中表现出色，R² = 0.91，均方根误差（RMSE）= 6.35%。

基于光谱的方法：

设计了一个一维卷积回归网络（1D CNN），包含四个卷积层。
使用主成分分析（PCA）进行降维处理，选择了对VWS值敏感的波段，并拟合了不同数量的主成分（PCs）。
基于前20个主成分（PCs）的1D CNN模型表现最佳，R² = 0.93，RMSE = 5.77%。

《Balancing composite motion optimization using R-ERNN with plant disease》

计算机科学1区 Applied Soft Computing 2024 IF：7.1

论文：Balancing composite motion optimization using R-ERNN with plant disease - ScienceDirect

数据集：大豆

最初，高光谱图像数据取自Spec View软件。然后，对大豆叶片光谱图像进行处理，去除高光谱相机没有提供任何重要信息而出现的频带冗余，并对其进行双树复小波变换(DTCWT);采用三值模式和离散小波变换(TP-DWT)方法对高光谱图像进行特征提取。完成特征提取过程后，将提取到的特征图像输入到增强回忆的循环神经网络(RE-RNN)中，并使用该网络对大豆花叶病进行分类。采用平衡复合运动优化(BCMO)算法对RE-RNN的超参数进行调优。