植物叶片病害的异常定位方法的研究

6415AnoLeaf：基于结构鲁棒生成修复Sw ati Bhugra+†，Vinay Kaushik+，Amit Gupta，Brejesh Lall† and Santanu Chaudhury$OSDVIEW，†IIT Delhi and$ IIT Jodhpur†{ eez138301，brejesh} @ ee.iitd.ac.in，$schaudhury@gmail.comdview.ai摘要植物病害严重限制了农业生产，需要对植物叶片进行高通量监测。目前，这被制定为通过深度学习框架解决的自动疾病分割任务。这些在监督范例中用叶图像数据训练的深度学习框架具有很少的限制，主要是：（1）训练数据集与健康叶片图像严重不平衡，（2）疾病区域注释是劳动密集型的，以及（3）由于疾病症状的异质性，这些框架缺乏通用性。在本文中，我们将疾病分割重新定义为异常定位任务。具体来 说 ， 我 们 介 绍 了 一 种 新 的 unsupervised 框 架（AnoLeaf）的基础上，边缘引导的绘画，优化学习的上下文注意力只有健康的叶子图像。对患病叶片图像的网络利用上下文注意力地图强化了修复错误，以有效地定位疾病。因此，AnoLeaf简化了罕见疾病图像的采集和注释MVTec异常检测数据集上的其他实验进一步证明了其通用性。1. 介绍植物病害对农业生产构成重大威胁，突出了选择抗病植物的重要性[39]。大多数情况下，疾病症状反映在植物叶片上，表现为质地和颜色的变化因此，植物研究人员主要依靠视觉叶片监测来选择抗病植物。这种在疾病进展的不同阶段对症状的连续监测是一项高度主观和耗时的任务。随着叶片图像数据的获取，上述任务已成为一个应用领域，感谢Hwy Haul：https://www.hwyhaul.com/+平等贡献计算机视觉算法，并且目前被公式化为自动疾病分割。在这种情况下，Otsu然而，这些方法难以处理：（1）导致未检测到的轻微症状的不均匀对比，以及（2）弯曲的表面和静脉导致被错误分类为疾病区域的边缘。此外，用于疾病症状表征的先验因疾病类别而异，需要重复制定准确的疾病分割。图1突出了疾病症状的异质性。与传统方法相比，监督式深度学习框架也被提出用于疾病分割。例如，Dechant et al.[11]，使用不同的卷积神经网络（CNN）组合来生成病变概率的热图这些概率是从玉米叶片图像上使用滑动窗口的小块分类中获得的。在另一项研究中，Cruz et al.[10]提出了一种改进的LeNet模型用于疾病分割。应注意，这些方法的准确性严重依赖于具有像素级注释的大型训练图像。然而，有限的带注释的叶数据集是可用的，并且对健康 叶 类 具 有 高 度 不 平 衡 [35]。 此 外 ， 广 泛 使 用 的ImageNet权重是用语义上与病叶图像不同的图像数据获得的[17]。如前所述，疾病区域的像素级注释是一项耗时的任务。因此，大多数叶病数据集是弱标记的，即，疾病类别，指示图像级别的疾病类型。因此，基于深度学习的方法主要集中在疾病分类上，对疾病分割的研究有限[39]。疾病分割允许疾病预测和理解疾病症状与环境之间的关系[11]。这种疾病强度的准确评估并不是在疾病分类范例中提供的。因此，疾病分割是一项重要而重要的任务。很少有人提出在弱监督范式中训练深度学习网络以生成可解释的地图显示的方法。6416图1.样本叶图像（咖啡数据集）与对比度疾病症状。确定确定分类结果的像素[26，27]并促进疾病点的定位。[31，41]中的作者使用AlexNet和GoogLeNet架构进行疾病分类，并在第一层中显示激活以指示疾病区域。然而，由于有大量的特征图，选择精确定位这些症状的专门激活仍然具有挑战性疾病进展可以被认为是植物叶子的健康（正常）部分的退化[39]。因此，我们将叶病分割重新定义为异常局部化任务，其训练范式仅依赖于健康（正常）的叶图像。这种重新表述允许基于采集生成数据的任务罕见疾病图像和相应的像素级注释。在这种情况下，我们提出了AnoLeaf，一个基于深度绘画的框架，可以学习健康叶子图像的最佳当前最先进的绘画网络[48]利用边缘信息，对自我注意力进行建模，将纹理，结构和语义线索[18，34，47，52]纳入粗到细的设置中。相比之下，我们建议通过开发一个对抗性边缘预测框架来利用结构信息，并通过上下文注意力细化框架（颜色，形状）将其在患病的叶片图像上的网络利用导致仅重建其健康的对应物。基于该重建图像，广泛采用的策略是使用诸如欧几里德距离和结构相似性指数（SSIM）的度量来计算其与输入患病图像的差异[24]。然而，修补区域中的每个像素被分配相同的度量值，导致粗略的疾病分割。考虑到修复网络已经学会恢复健康的对应物的事实，我们建议利用一个注意力地图，突出显示未用于内部绘画的区域。这种新的策略允许精确的疾病局部化，对疾病症状异质性具有鲁棒性（如图1所示）。本文的主要贡献如下：• 据我们所知，我们是第一个reformulate植物病害分割作为一个无监督的异常定位任务。• 我们提出了一种新的两阶段框架（AnoLeaf）的基础上，边缘引导修复网络的im。被证明是修复过的为了进一步完善患病区域的定位，实施了一种利用学习的上下文注意力地图的新策略。• 我们还对MVTec异常检测数据集（MVTec AD）[4]进行了额外的实验，进一步显示了所本文其余部分的组织结构如下：第2节概述了相关的疾病分割文献，第3节介绍了方法，实验结果和分析包括在第4节和第5节总结了论文。2. 相关工作叶病分割的相关文献大致可分为三类：（i）传统方法，（ii）基于监督卷积神经网络（CNN）的方法和（iii）基于CNN可视化的方法。以下各小节概述了上述类别。2.1. 传统方法传统方法提取手工特征，如颜色、纹理等。基于植物病害的先验知识来识别病害区域（也称为病斑）。例如，[28]中的作者利用了基于三个通道颜色分量的交互区域生长方法：（1）过量红色指数（ExR），（2）HSV颜色空间的H分量和（3）Lab颜色空间的b分量。而Xiong et al.[46]提出使用Grab- Cut算法进行疾病自动分割。其他几位研究人员[1，2，22，28，51]在Lab彩色图像空间，HSV彩色空间和过量绿色空间（ExG）上采用了Otsu在这些方法中，疾病分割的准确性高度依赖于阈值。作者在[29]中研究了这些方法，并报告了将照明区域错误分类为病变点。Lab颜色空间的k-均值聚类在[40，50]中进行了研究，而Bai etal. [3]提出了一种改进的基于模糊C均值聚类的疾病分割方法。如图1所示，疾病区域（簇）根据疾病类型及其进展程度而变化。然而，动态确定这些集群是耗时的[1，42]。与这些传统方法相比，所提出的框架（AnoLeaf）不依赖于疾病先验，即疾病症状（颜色、纹理等）。或疾病集群。2.2. 基于监督CNN的方法基于监督CNN的方法主要利用CNN架构来自动学习疾病区域表征的特征。例如，Ha et al.[19]就业6417基于VGG-CNN和k均值聚类方法的混合模型分割疾病区域，而Wang et al.[53]利用传统的VGG 16模型构建了区域疾病检测网络（RD-net）。 作者在[13，25]中提出了基于UNet的语义分割模型，并[14]设计了基于SegNet的编码器-解码器架构用于疾病区域分割。另一项研究[16] 比 较 了 特 征 金 字 塔 网 络 （ FPN ） 、 UNet 和DeepLabV3+与Xception骨干网在疾病区域像素级预测方面的差异。这些方法是在患病叶数据集上训练的，这些数据集具有显示特定疾病症状的像素级注释。由于疾病类别之间的高类别间差异，这些方法可能不可推广并且需要再训练。相比之下，AnoLeaf不依赖于病叶数据集的像素级注释.2.3. CNN可视化方法Ghosal等人[15]提出了用于疾病分类的深度CNN框架及其top-K高分辨率特征图，以隔离疾病症状。其他几项研究[27，31，41]也利用了每个区块中的特征可视化。这些方法主要将内部激活转换为可视化病变点。相比之下，[6]中的作者提出使用显着图来可视化疾病区域。[7]中研究的闭塞方法是另一种定位疾病症状的方法。主要思想是将遮挡引入图像的一部分，并研究CNN对这些遮挡的敏感性及其输出。然而，遮挡方法对遮挡区域的形状、大小和位移步长敏感.这些因素限制了它在具有多个病害区域的叶片图像上的应用。此外，在这种情况下，一个疾病区域的遮挡不会影响网络决策，从而导致疾病区域的分割不足另一项研究[32]调查了各种可视化方法，即平滑梯度、引导反向传播、深度泰勒分解、积分梯度分层相关传输和梯度时间输入。作者报告说，这些可视化方法检测到一些正确分类的疾病类别的病变点在这方面，作者[8]得出结论，基于这些方法的热图解释起来很嘈杂。为了克服这一局限性，提出了一种教师/学生架构，该架构处理图像的解构和重建，以去除噪声并提取显著的疾病特征。先前讨论的研究依赖于疾病先验或图像/像素级疾病注释。由于病害症状的异质性，无监督深度学习在植物病害分割中的应用值得探索。这允许在没有领域知识的情况下进行疾病定位。在这方面，作者[21]重新-Cently提出利用条件对抗网络来进行对应于其灰度图像的健康叶片图像的颜色重建疾病影响区域的颜色的不准确重建随后用于疾病分类，即，健康和疾病。与本研究相反，AnoLeaf产生精确的疾病定位，而无需对正常（健康）叶区域的重建进行假设。MVTec异常检测数据集上的其他实验证明了这种普遍性。3. 方法植物病害分割是一项具有挑战性的重要任务，例如：（1）关于形状和疾病簇的视觉症状的变化，（2）同一叶片上的多种同时的疾病表现，（3）不同疾病的视觉症状的相似性，和（4）依赖于领域专家以获取注释的植物疾病数据。因此，我们将叶病分割建模为异常定位任务。具体而言，异常局部化方法通常仅依赖于正常（健康）图像的建模[5，9，33，45]。学习特征的偏差用于在推理过程中检测异常（疾病），消除了对大型像素级注释数据集的依赖。异常定位算法可以主要分为（i）判别和（ii）基于重建的方法。由于判别性异常定位方法[5，33]的准确性依赖于用于建模正常性的区域的空间大小具体地，大的空间尺寸错过小的疾病区域，并且小的空间尺寸对非疾病局部变化敏感。在这方面，基于重构的异常定位算法为这项任务提供了合适的解决方案例如，变分自动编码器（VAE）[12]用于通过梯度下降迭代更新VAE输入来获得最近的正常图像。在另一项研究中，[37]中提出的AnoGAN仅在正常图像上进行训练，并通过计算测试图像与其最近的正常生成图像之间的差异来定位缺陷。这些方法依赖于迭代过程来寻找最近的正常图像，从而降低了其计算效率。在最近的一项研究中[24]，修复网络在正常图像上进行训练，这导致将缺陷区域恢复为其正常对应区域。类似于前面提到的算法，基于输入测试和修补图像之间的差异应注意，缺陷定位取决于准确的修补输出。在这方面，作者在另一项研究[48]中进行了广泛的实验，强调了修复网络在再现尖锐边缘和复杂纹理以进行异常局部化方面的局限性。为了克服这种限制，我们提出了一种新的6418L¨ule遵循[47]中使用的相同架构，11i=1图2.建议的修复网络的工作流程由当前最先进的修复网络驱动的修复框架[47]。所提出的框架（AnoLeaf）包括两个模块：（a）修复网络，学习仅恢复正常（无缺陷/无疾病）图像;（b）利用上下文注意力地图进行精确缺陷/疾病定位的新策略。我们将在下面的小节中阐述这些模块。3.1. 生成式修复网络在合成图像的正常（健康）区域上训练的修复网络用于定位异常（疾病）区域。这是通过计算输入测试图像和对应的恢复图像之间的差异来实现的。因此，该定位的准确性高度依赖于经修复的输出。然而，目前最先进的修复网络重建损失3.1.2组件：边GAN第二模块预测对应于粗输入（I粗）的细粒度边缘图像（O 边 缘）。该组件的架构包括具有下采样的编码器（A2），随后是八个残差块（扩张卷积）和用于上采样的解码器[34]。O边缘=A2（I粗糙，I边缘）（1）我们使用I边缘和O边缘条件I粗糙作为输入的预测是否边缘地图是真实的。边缘网络使用基于对抗损失和特征匹配损失的目标进行训练[43]。最小最大LA=最小λadvmax（Ladv）+λFMLFM无法重建细节和结构这是因为，他们采用了从粗到细的细化架构[47]。一个2B12A2B1（二）其中细化阶段取决于粗网络的修补输出。我们建议，以促进细化阶段的边缘图结合已经可用的粗信息。图2显示了由三个组件组成的建议修复网络3.1.1组件：粗网络第一个模块是扩张卷积网络（A1）被训练以产生粗略的已修复输出（Icoarse）其中，λadv和λFM是正则化参数。对抗性损失定义为Ladv=E（I边缘，I粗糙）[logB1（I边缘，I粗糙）]+EI粗对数[1−B1（O边，I粗）]（3）特征匹配损失FM比较了脑电图的中间层中的激活图这通过迫使生成器产生具有类似于真实图像的表示的结果来稳定训练过程特征匹配损失LFM被定义为：输入图像（I原始）与二进制掩码图像第1页（I遮罩），白色像素表示缺失区域。该模-M=ED（i）（Cgt）−D（i）（Cpred）（四Ni16419）64201其中L是鉴别器的最后卷积层，Ni是第i个激活层中的元素数量频谱归一化[30]缩小权重矩阵的最大奇异值，以将网络边缘GAN模块在用地面真值训练的边缘图像上训练使用Canny边缘检测算法从I原始图像计算的边缘图像（I边缘）[34]。3.1.3组件：优化网络该生成的边缘图像（O边缘）和粗图像（I粗）随后被连接（I组合）并作为输入馈送到细化网络（A3）以预测输出的修复图像（I输出）。组合图像（I组合）向第三分量提供补充信息，特别是经由I边缘的精细结构细节和近似细节（颜色、形状等）。via（Icoarse）.这允许与仅利用I粗糙相比改进的（I原始）恢复。A3由两个并行编码器网络组成，即卷积网络和上下文注意力网络[47]集成到单个自动编码器中，并且其编码器（B2）学习区分Iout和Ioriginal。 粗网络（第一分量）和细化网络（第三分量）均使用空间折扣重建损失和WGAN-GP损失进行训练[47]。我们遵循与[47]中的精化网络相同的配置在推理步骤中，训练的修复模块用于输入测试和掩模图像对以恢复其丢失的区域。为测试图像生成多幅固定大小的掩模图像，实现完整的图像遍历。计算每个掩模图像的经修复的测试图像与输入测试图像之间的差（Idiff）应注意，用于Idiff计算的metric应显示正常和异常修复区域之间的大变化。经验观察到，欧氏距 离 、 结 构 相 似 性 指 数 （ SSIM ） 和 峰 值 信 噪 比（PSNR）未能提供区分正常和异常区域的鲁棒阈值。因此，采用感知相似性度量[49]来产生缺陷/疾病区域的粗略定位。3.2. 注意力地图模块疾病/缺陷区域表现出尺寸变化，并且修补的补丁中的每个像素被分配相同的度量值，这提供了粗略的疾病/缺陷图。在[24]中提出了一种类似的方法，该方法采用来自正常图像的超像素区域来训练修复网络，并基于SSIM提取异常热图。图3.伪代码的建议框架AnoLeaf。为了精确的疾病/缺陷定位，我们建议从上下文层生成激活图[47]。激活图表示远距离上下文信息与基于高维特征的缺失区域之间的长期相关性。具体而言，它突出显示随后用于修补的每个缺失区域的相关空间区域。如前所述，第一个组件为每个缺失的补丁生成模糊的法线对应物。基于该输入，上下文层不关注异常（疾病/缺陷）图像内容。这导致在相应的激活图中忽略了图4（b）示出了指示用于修补和忽略疾病区域的区域的激活图的叠加。因此，所计算的映射提供了正常区域的附加该信息随后与（Idiff）整合，进一步促进精确的疾病/缺陷定位。6421×××表1.通过传统分割方法（以深灰色显示）、弱监督分割方法（以浅灰色显示）、无监督分割方法（以蓝色显示）和AnoLeaf对Coffee数据集进行定量叶病分割。图4.注意力地图（b）基于样本咖啡叶图像。4. 实验和结果在本节中，我们展示了对公开数据集的拟议框架的结果和评估• 咖啡数据集[13]：该数据集由健康/疾病叶片的自上而下视图组成，总共有372幅图像。• MVTec异常检测数据集[4]：MVTec AD是工业检测异常检测方法的基准。该数据集由15个对象和纹理类别的5000个图像组成。每个类别包括无缺陷训练图像和有/无缺陷测试图像。• PlantVillage数据集[20]：该数据集包含54，303张健康/病害叶片的图像，根据植物物种和疾病进行分类。Coffee和MVTec AD数据集还包括注释图像，其中二进制标签被分配给疾病/缺陷区域，将其与健康/正常像素区分开。因此，对于定量分析，使用上述数据集。相反，PlantVillage数据集仅用于定性结果（如图2所示），因为没有像素级注释可用。模块精度召回Jaccard指数f值情境关注边缘GAN0.38750.91860.77240.50760.32690.49400.45190.5813AnoLeaf（我们的）0.96440.88620.77300.9236表2.消融研究4.1. 培训详细信息我们阐明了建议的修复框架中的三个组件的训练细节（见第3.1节）。在训练过程中，我们将图像大小调整为256 256，固定矩形大小为64 64（如图8（b）所示）。Adam optimiser的学习率为0。0001，β1到0。5和β2到0。9，批量为12。我们首先训练粗网络，然后使用训练的粗模型的结果我们选择λadv=1和λFM=10作为训练EdgeGAN的超参数。细化网络作为最后一步进行训练，以获得修复图像。对于EdgeGAN，将学习器与生成器的学习比设置为0.1，对于细化网络设置为0.5重要的是要注意，尽管边缘网络将粗糙图像作为输入，但它能够预测与使用其地面真实图像计算的边缘图非常相似的细粒度边缘图。所提出的修复框架分别在咖啡数据集和MVTec AD数据集在推断阶段，如前所述调整输入测试图像的大小，并且以固定的补丁大小64、64实现图像遍历。每个补丁的修复输出用于生成相应的重建图像。基于重建图像的疾病分割的伪代码如图3所示。为评估建议框架的表现，使用以下指标• 精密度[37]：计算真阳性（TP）和所有阳性预测（TP+FP）的比率。• 回忆一下[37]：计算真阳性预测（TP）与所有实际阳性预测（TP+FN）的比率。• Jaccard指数[37]：计算地面真实掩模（GT）和预测掩模之间的重叠百分比。• F1值[37]：衡量精确度和召回率的加权平均值。方法精度召回Jaccard指数f值[44]第四十四话0.38750.77240.32690.4519[8]第八话0.11310.80660.10990.1896[37]第37话0.08180.28510.06790.1169Anogan（CIEDE 2000）[37]0.08460.01780.01470.0270[37]第37话0.52140.64430.40920.5359意大利（意大利语：Italy）[24]0.13980.56050.11690.1976[24]第24届世界园艺博览会0.18010.10400.06170.1064[24]第二十四话0.47460.47300.30310.4321[21]第21届中国国际纺织品展览会0.86550.59100.52810.6592[21]第21话0.91580.43190.40410.5354AnoLeaf（我们的）0.96440.88620.77300.92366422(a)掩蔽输入（b）地面实况（c）上下文注意力（d）边缘GAN（e）提议的修复模块图5.基于Coffee示例图像的修复输出的定性比较(a)输入（b）S.T.（c）RIAD（d）Pix2Pix（e）AnoGAN（f）AnoLeaf（g）GT图6.基于咖啡样本图像的疾病分割结果的定性比较，这里是S.T.表示学生-教师方法，GT表示地面实况。对于疾病（异常）分割，TP是指正确分类的疾病（异常）像素，FP是指被分类为疾病（异常）像素的健康（正常）像素，FN是指被分类为健康（正常）像素的疾病（异常）像素这些指标的最佳值为1。4.2. 疾病分类基线从相关工作（第2节）中可以看出，疾病分割的问题已经通过（a）训练方法，（b）基于监督CNN的方法和(c)CNN可视化方法（弱监督）。为了公平比较，基线是用广泛采用的传统过量绿色方法[44]和基于学生-教师的可视化方法[8]制定的。因为，我们在基于重建的异常范例中训练Anoleaf，最先进的异常定位方法，如AnoGAN[37][24]《易经》中也有这样的说法。应当注意，对于疾病定位，在AnoGAN和RIAD中不同地计算重建图像和输入图像之间的差异由于这一步骤对于准确的疾病定位至关重要，因此，(1)AnoGan和RIAD中使用的综合度量，（2）CIEDE2000色差异常评分[38]和（3）最先进的感知度量评分[49]。我们还扩展了一个基于pix2pix GAN颜色重建的无监督疾病分类框架[21]用于疾病定位。CIEDE 2000和知觉度量用于计算输入和重建的测试图像之间的差异。这些基线允许使用各种度量对Anoleaf与叶病分割方法和基于重构的异常定位方法我们还执行了一个消融，突出了每个组件的贡献（第3.1节），在拟议的修复框架。4.3. 疾病分类结果图5（e）示出了基于所提出的修复框架的两个样本叶图像（图5（a））上的输出图像。利用没有边缘信息的修复网络会导致静脉结构的模糊和丢失（图5（c））。EdgeGAN [34]改进了静脉的修复，但与提出的修复框架相比，仍然未能完全重建它（图5（d））这是因为具有细粒度边缘图的预测的粗略图像表2列出了基于该消融的定量分割结果。我们还提出了定性比较AnoLeaf的基础上重建的叶片图像与异常框架图7。很明显，AnoGan [37]导致光滑的叶片纹理，并且无法复制叶片形状。这导致叶轮廓被错误地误分类为病害区域（如图6（e）所Riad6423(a)原始图像（b）Anogan（c）Pix2Pix（d）RIAD（e）建议图7.基于Coffee样本图像的重建结果的定性比较[24]遭受形状重建误差和随机噪声（如图7（d）所示）。值得注意的是，尽管与AnoGAN [37]和RIAD[24]相比，pix2pix [21]显示出更好的重建，但该方法依赖于疾病进展仅导致叶色变化的假设，并且这种简单化的假设可能会阻止其重建。适用于质地和形状变化的疾病。相比之下，AnoLeaf不依赖于疾病表征先验，也可用于MVTec AD数据集的异常定位（见下一小节）。AnoLeaf与基线（第4.2节）的定量比较见表1，定性结果见图6。在图6（b）中明显的是，弱监督方法导致将静脉误分类为疾病区域（最低精度）。实验还表明，感知相似性度量的性能始终优于基于重构的异常定位方法的集成和CIEDE 2000度量。图8.MVTec AD样本图像上的修复结果（c）（f）(a)（d）从提议的修补框架。图9. MVTec AD样本图像上的注意力图（b）(a)（三）分别。4.4. MVTec异常结果图8示出了来自所提出的在不同空间位置处具有丢失的补丁的绘画网络的输出图像。 可以观察到，缺陷区域（图8（e））导致无缺陷拉链的重新形成，其粘附到纹理和形状细节上。表3显示了与现有异常定位方法（即：AnoGAN [37]和带有L2和SSIM的自动编码器（AE）[23]。基准框架对应于-表3. MVTec AD数据集上异常定位结果的定量比较。响应于仅利用用于疾病局部化的修补模块应注意，AnoGAN执行迭代反向传播以在推理阶段估计潜在空间，相比之下，所提出的框架在计算上是高效的。如前所述，上下文注意力图指示用于修复的区域。图9（b）和9（d）以示例方式显示了激活图（以绿色显示）和地面实况异常区域（以粉色显示）的叠加这在所生成的密集激活图中产生对应于疾病区域的缺失区域在这种情况下，图10突出显示了所提出的框架分割小异常区域（以绿色显示）的有效性图10.使用所提出的框架对MVTec AD样本图像（a）（c）的异常分割结果（b）（d）5. 结论我们提出了一种新的无监督框架叶病分割。AnoLeaf在异常局部化范例中训练，将结构一致的重建图像与上下文注意力图集成以进行精确分割。利用改进的分割，可以揭示植物物种之间的细微差异。由于AnoLeaf中未使用关于疾病表征的先验知识，因此对MVTecAD数据集进行的额外实验证明了其普遍性。引用[1] 阿里尤·穆罕默德·阿卜杜，穆萨·莫哈末·莫克吉，和乌斯曼·乌拉·谢赫.蔬菜病害自动识别ap-方法精度召回[23]第二十三话0.650.63[23]第二十三话0.880.89[37]第三十七话0.920.91基准框架0.900.89拟议框架0.930.926424使用单个病变特征进行处理农业计算机和，176：105660，2020。[2] 白晓东，曹志国，王毅，于志华，张晓芳，CN李基于cie l* a* b* 颜色空间形态学模型的农作物图像分割。农业中的计算机和，99：21[3] 白雪冰、李新星、傅泽天、吕雄杰、林克斯-伊恩·张。提出了一种基于邻域灰度信息的黄瓜叶斑病图像模糊聚类分割方法。计算机和电子在农业，136：157[4] 保罗·伯格曼， 迈克尔·福泽， 大卫·萨特莱格，卡斯滕·斯蒂格Mvtec ad-一个用于无监督异常检测的综合真实世界数据集。在IEEE/CVF计算机视觉和模式识别会议论文集，第9592-9600页[5] 保罗·伯格曼， 迈克尔·福泽， 大卫·萨特莱格，卡斯滕·斯蒂格不知情的学生：学生-教师异常检测与鉴别潜在嵌入。在IEEE/CVF计算机视觉和模式识别会议论文集，第4183-4192页[6] Mohammed Brahimi，Marko Arsenovic，Sohaib Laraba，Srd-扬·斯拉多耶维奇，卡迈勒·布哈尔法，和阿卜杜勒·穆萨维.植物病害的深度学习：检测和显著图可视化。人类和机器学习，第93-117页。Springer，2018.[7] Mohammed Brahimi、Kamel Boukhalfa和Abdelouahab穆萨维番茄病害的深度学习：分类和症状可视化。应用人工智能，31（4）：299[8] MohammedBrahimi， SaidMahmoudi，KamelBoukhalfa，和阿卜杜勒·穆萨维植物病害分类的深层可解释2019年信号处理：算法，架构，安排和应用（SPA），第111-116页。IEEE，2019。[9] Diego Carrera，Giacomo Boracchi，Alessandro Foi，布伦特·沃尔伯格基于多尺度组稀疏模型的尺度不变异常检测。2016年IEEE图像处理国际会议（ICIP），第3892-3896页IEEE，2016.[10] Albert C Cruz ， Andrea Luvisi ， Luigi De Bellis ， andYian-这是安帕茨基。基于迁移和深度学习的植物病害视觉检测2017年浅部年度国际会议，第1页。美国农业和生物工程师协会，2017年。[11] Chad DeChant ， Tyr Wiesner-Hanks ， Siyuan Chen ，Ethan LStewart，Jason Yosinski，Michael A Gore，Rebecca JNelson，and Hod Lipson.使用深度学习从田间图像自动识别北方叶枯病感染的玉米植株。植物病理学，107（11）：1426[12] Da vidDehaene，Ori elFrigo，Se' bastienCombrex elle，and皮埃尔·埃连基于迭代能量的投影在正常数据流形上的异常定位。arXiv预印本arXiv：2002.03734，2020。[13] 何塞的总经理埃斯加里奥，雷纳托A Krohling，和何塞'A文图拉。深度学习用于咖啡叶生物胁迫的分类和严重程度估计。农业中的计算机和电子，169：105162，2020。[14] Junfeng Gao，Jesper Cairo Westergaard，Ea Høegh RiisSundmark，Merethe Bagge，Erland Liljeroth，and ErikAlexandersson.基于深度学习的不同马铃薯基因型田间图像的晚疫病病变自动识别和严重程度量化基于知识的系统，214：106723，2021。[15] 桑布达·戈萨 大卫·布莱斯顿， 阿什什·K·辛格Baskar Ganapathysubramanian，Arti Singh，and SoumikSarkar. 一个可解释的深度机器视觉框架植物胁迫表型。美国国家科学院院刊，115（18）：4613[16] Juliano P Goncalves ， Francisco AC Pinto ， Daniel MQueiroz，Flora MM Villar，Jayme GA Barbedo和Emerson M DelPonte。用于语义分割和自动估计由疾病或害虫引起的叶面症状严重程度的深度学习架构生物系统工程，210：129[17] RonjaGüldenring和LazarosNalpanjos。自监督农业图像的对比学习。农业计算机与电子，191：106510，2021。[18] 郭邪梵、杨红玉、帝煌。图像修补-通过条件纹理和结构双生成。IEEE/CVF计算机视觉国际会议论文集，第14134-14143页，2021年[19] 金Gwan哈贤俊月亮金泰国，Syed Ibrahim Hassan ， Minh Dang ， O New Lee ， andHan Yong Park.基于深度卷积神经网络的无人机萝卜枯萎病分类研究。Journal of Applied Remote Sensing，11（4）：042621，2017.[20] D a vidHughes，MarcelSa lath e'，etal.开放接入关于植物健康的图像库，以实现移动疾病诊断的发展。arXiv预印本arXiv：1511.08060，2015。[21] 片渊良也和德永辉正基于图像基于颜色可重构性的无监督异常检测的植物病害诊断。arXiv预印本arXiv：2011.14306，2020。[22] 穆罕默德 阿蒂克 可汗 塔利亚 穆罕默德？阿克拉姆Sharif ， Majed Alhaisoni ， Tanzila Saba ， and NadiaNawaz.基于概率分割和熵秩相关的特征选择方法用于水果 病 害 识 别 。 EURASIP Journal on Image and VideoProcessing，2021（1）：1[23] Diederik P Kingma和Max Welling。自动编码变量标准贝叶斯arXiv预印本arXiv：1312.6114，2013。[24] Zhenyu Li，Ning Li，Kaitao Jiang，Zhiheng Ma，XingWei，Xiaopeng Hong，and Yihong Gong.用于自监督异常检测的超像素掩蔽在BMVC，2020年。[25] 柯琳，龚良，黄义祥，刘成良，潘俊松。基于卷积神经网络的黄瓜白粉病深度学习分割与量化。植物科学前沿，10：155，2019。[26] 姜璐、胡杰、赵冠南、梅凤华、常张水。小麦田间病害自动诊断系统。农业中的计算机和电子，142：369[27] Yang Lu，Shujuan Yi，Nianyin Zeng，Yurong Liu，andYong张某水稻病害的深卷积识别6425函数神经网络神经计算，267：378-384，2017。[28] 马俊成，杜克明，张凌贤，郑飞祥楚金祥，孙忠福。提出了一种基于颜色信息和区域生长的温室蔬菜叶部病斑图像分割方法计算机和电子在农业，142：110[29] Giuliano L Manso，Helder Rupdel，Renato A Krohling，and何塞·文图拉一款智能手机应用程序，用于检测和分类咖 啡 潜 叶 蝇 和 咖 啡 叶 锈 病 。 arXiv 预 印 本 arXiv ：1904.00742，2019。[30] Takeru Miyato，Toshiki Kataoka，Masanori Koyama，and吉田雄一生成式对抗网络的谱归一化。arXiv预印本arXiv：1802.05957，2018。[31] Sharada P Mohanty，Da vid P Hughes，and Marcel Salathe'.使用深度学习进行基于图像的植物病害检测。Frontiers in Plant Science，7：1419，2016。[32] Koushik Nagasubramanian ， Asheesh K Singh ， ArtiSingh，SoumikSarkar，andBaskarGanapathysubramanian.可解释性方法在解释基于深度学习的植物胁迫表型分析中的应用。arXiv预印本arXiv：2007.05729，2020。[33] 保罗·纳波利塔诺，弗拉维奥·皮科利，雷蒙多·谢蒂尼。基于cnn自相似性的纳米纤维材料异常检测。传感器，18（1）：209，2018。[34] Kamyar Nazeri ， Eric Ng ， Tony Joseph ， Faisal ZQureshi，和迈赫兰·易卜拉欣边缘连接：具有对抗性边缘学习的生成式图像修复。arXiv预印本arXiv：1901.00212，2019。[35] Haseeb Nazki、Sook Yoon、Alvaro Fuentes和Dong Sun公园使用对抗网络的无监督图像翻译用于改进植物病害识别。农业计算机和电子，168：105117，2020。[36] Santanu Phadikar，Jaya Sil，and Asit Kumar Das.分类-根 据 形 态 学 变 化 对 水 稻 叶 部 病 害 进 行 分 类 。InternationalJournalofInformationandElectronicsEngineering，2（3）：460[37] ThomasSchle gl，PhilippSeebo？ck，SebastianMWaldstein，厄休拉·施密特-厄弗思和乔治·朗斯。使用生成对抗网络进行无监督异常检测，以指导标记发现。在医学成像信息处理国际会议上，第146-157页。Springer，2017.[38] Gaurav Sharma，Wencheng Wu，and Edul N Dalal. 的ciede2000色差公式：实施说明、补充测试数据和数学观察。颜色研究&应用：Inter-Society Color Council，The Colour Group（Great Britain），Canadian Societyfor Color ， Color Science Association of Japan ， DutchSociety for the Study of Color，The Swedish Colour CentreFoundation，ColourSocietyofAust ralia，Cent r eFran c aisdela Coupons，30（1）：21 -30，2005.[39] AsheeshKumar辛格，BaskarGanapathysubramanian，苏米克·萨卡和阿蒂·辛格 植物胁迫表型的深度学习：趋势和未来前景。植物科学趋势，23（10）：883[40] Aditya Sinha和Rajveer Singh Shekhawat。 橄榄斑点病使用叶图像纹理分析来简化检测和分类Procedia计算机科学，167：2328[41] Srdjan Sladojevic，Marko Arsenovic，Andras Anderla，Dubravko Culibrk，and Darko Stef