团队近期成果--面向真实场景植物叶片病害诊断的端到端目标检测框架
我们团队在《Expert Systems with Applications》(IF: 7.5, 中科院一区)上发表论文“PDDNet: An End-to-End Object Detection Framework for Real-World Plant Leaf Disease Diagnosis”。该论文上海大学计算机工程与科学学院为第一单位。
植物叶片病害检测是智慧农业、精准植保与作物健康管理中的重要任务。然而，在真实农业场景中，叶片病斑通常受到复杂自然背景、多尺度病害区域、光照变化以及不同病害类别间视觉差异细微等因素影响，导致现有检测方法在定位精度、分类鲁棒性和跨场景泛化能力方面仍面临挑战。为解决这一问题，本文提出了一种端到端植物叶片病害检测框架 PDDNet，通过级联编码器-解码器结构融合局部病斑细节与全局上下文信息，从而提升模型在真实场景下的病害检测性能。
具体而言，我们提出了一种基于增强注意力的多尺度聚合模块（Enhanced Attention-based Multi-scale Aggregation，EAMA），通过空间注意力与通道注意力的协同建模，增强模型对不同尺度病斑区域的特征表达能力。同时，引入基于先验的自注意力机制（Prior-guided Self-Attention，PGSA），将位置先验与 IoU 几何关系融入注意力计算，使模型能够更加关注病斑边界与形态结构。进一步地，本文设计了多任务特征解耦模块（Multi-task Feature Decoupling Module，MFDM），通过任务特定的动态掩码分离分类特征与定位特征，缓解分类与回归任务之间的冲突。在 PlantDoc 和 Tomato Leaf Disease 等真实场景数据集上的实验结果表明，PDDNet 在复杂背景、多尺度病斑以及细粒度类别识别任务中均取得了良好的检测效果，为精准农业中的自动化病害诊断提供了可靠的技术支撑。
论文链接：PDDNet: An End-to-End Object Detection Framework for Real-World Plant Leaf Disease Diagnosis
