自動像素級標註技術應用於植物病害嚴重程度評估

文章來源 : 農業科技決策資訊平台 2026-03-11
病害嚴重度評估與像素層級標註需求
植物病害嚴重度評估是作物管理的重要依據,但現有研究多著重於病害種類辨識,對於病害程度的判斷仍受限於訓練資料取得方式。嚴重度評估需掌握影像中病斑的精確範圍,高度仰賴像素層級標註資料。然而,這類標註多需人工於影像中逐一勾勒病斑邊界,不僅耗時,也需要專業判讀,難以大量建立資料。
偽標註生成與影像分類技術
為降低人工標註負擔,澳洲梅鐸大學(Murdoch University)研究團隊提出自動化像素層級偽標註方法,研究先以具有病斑之大麥影像為基礎,透過視覺轉換器(Vision Transformer, ViT)進行影像分類,並利用GradCAM技術,將影像中可能屬於病斑的區域轉換為像素層級的偽標註資料。
SOD模型訓練與跨作物資料測試
偽標註資料進一步用於訓練顯著物件偵測(Salient Object Detection, SOD)模型MEANet,使其具備自動分割病斑區域的能力。完成訓練之SOD模型可應用於多種作物影像,包括大麥、小麥與水稻等。為驗證該模型跨作物的適用性,研究人員在具專家標註之咖啡資料集上進行測試,結果顯示模型分割與人工標註具有穩定的一致性表現。
病害嚴重程度分類方法
完成病斑分割後,研究團隊於咖啡資料集中進行病害嚴重程度之等級分類。評估方法結合形態指標與灰階共生矩陣(GLCM)所計算之紋理特徵,並以支持向量機(SVM)進行嚴重程度等級分類,其準確率約為80%。為進一步提升分類表現,研究團隊將深度學習模型所自動萃取之影像特徵納入特徵組合,分類準確率提升至82.24%。
模型應用性與後續研究方向
研究結果顯示,自動化像素層級偽標註可用於訓練SOD模型進行病斑分割,所得分割結果可進一步支援病害嚴重程度判定,並於不同作物資料集上展現一定之適用性。然而,模型效能仍受標註品質與資料條件影響,未來仍需透過弱監督式學習與提升資料品質,強化模型穩定性與跨作物應用能力。本研究已發表於《Computers and Electronics in Agriculture》期刊。





