基于改进UNetFormer模型的玉米病害检测系统研究与实现.pdfVIP

摘要

玉米作为重要的粮食作物，其病害问题日益严峻，对生产效益和粮食安全产生了

显著影响。传统的病害检测方法，如基于图像处理技术、卷积神经网络（Convolutional

NeuralNetwork，CNN）、Transformer结构以及编码器-解码器结构的病害检测系统，

通常处理在复杂背景和多尺度病害区域时存在局限性。这些方法大多依赖单一尺度的

特征提取，无法同时有效捕捉局部和全局病害区域的特征，从而影响病害检测系统的

精度和整体性能。为解决这些问题，本文提出一种基于多尺度UNetFormer语义分割

模型（MultiScaleUNetFormer，MS-UNetFormer）的玉米病害检测系统。主要工作包

括以下三个方面：

（1）构建一个包含1376张图像的玉米病害语义分割数据集，涵盖灰斑病、枯叶

病、肿瘤病和锈病四种病害类别。为满足模型训练的需求，对图像进行预处理，并按

照8:2:2的比例划分为训练集、验证集和测试集，以提升模型的泛化能力和预测精度。

（2）提出一种MS-UNetFormer语义分割模型。该模型在编码器部分基于原有

ResNet18架构，拼接Swin-Transformer模块，通过利用其窗口化多头自注意力机制

（WindowedMulti-HeadSelf-Attention，W-MSA）和移动窗口多头注意力（Shifted

WindowMulti-HeadSelf-Attention，SW-MSA），有效增强全局特征的捕获能力，从而

弥补了原始UNetFormer模型在处理大尺度和全局信息时的局限性。在解码器部分，

引入一条基于CNN的解码路径，从而提升模型在细节特征还原上的表现，有效地平

衡了全局信息与局部细节的处理能力。通过在玉米病害分割数据集上进行的对比实验

和消融实验表明，MS-UNetFormer模型比传统语义分割模型具有较高的分割精度。

（3）研究并实现基于MS-UNetFormer模型的玉米病害检测系统。该系统能够自

动检测用户上传的玉米病害图像，并判断其病害类别，同时生成相应的防治措施，为

用户提供科学的病害防控方案。这一系统有效提高了玉米病害管理的效率，帮助农业

生产者及时应对病害问题，进而推动玉米产量的提升。

关键字：CNN，UNetFormer，语义分割，玉米病害检测系统，MS-UNetFormer，ResNet18，

Swin-Transformer

Abstract

Asanimportantfoodcrop,maizeisincreasinglyaffectedbydiseaseissues,

significantlyimpactingproductionefficiencyandfoodsecurity.Traditionaldiseasedetection

methods,suchasthosebasedonimageprocessingtechnology,ConvolutionalNeural

Networks（CNNs）,Transformerarchitectures,andencoder-decoderstructures,oftenhave

limitationswhendealingwithcomplexbackgroundsandmulti-scalediseaseregions.These

methodsprimarilyrelyonsingle-scalefeatureextraction,makingitdifficultto

simultaneouslycapturebothlocalandglobaldiseaseregionseffectively,therebyaffecting

theaccuracyandoverallperformanceofdiseasedetectionsystems.Toaddresstheseissues,

thispaperproposesa