基于改进UNet++模型的葡萄黑腐病病斑分割和病害程度分级

为了解决葡萄病害图像边缘分割模糊和发病初期分割难的问题,基于PlantVillage数据集中的葡萄黑腐病图像,提出一种基于改进UNet + +的葡萄黑腐病病斑分割模型.该模型在提取图像特征时:一方面,采用自适应软阈值化方法消除噪声影响,提高葡萄病斑边缘的分割精度;另一方面,采用长、短连接结合的方式构建UNet + +中的跳跃式连接结构,降低模型的计算复杂度.同时,在模型的横向输出层中融合多尺度特征,增强病斑的语义信息,进一步提高目标分割精度.在该模型的损失函数中,将Dice损失函数和交叉熵损失函数进行线性加权组合,以解决病斑像素面积与叶片面积不平衡的问题.采用五折交叉验证进行模型训练与测试.结果显示,本文模型的像素准确率达到 98.433%,平均交并比达到 92.056%,病斑交并比为81.230%,Dice系数为0.941,均优于传统的UNet + +模型.采用病斑占叶面积的比例对病害程度进行分级.结果表明,本文模型对病害等级的划分准确率达97.41%.该模型能精确实现对葡萄黑腐病病斑边缘和小病斑的分割,以及病害程度分级,具有良好的稳健性.