像素精准可解释的胁迫指标：用于田间作物病情严重度量化的语义分割框架

arXiv cs.CV 发布了这条关于 研究论文 的更新：植物病害由生物和非生物胁迫引起，全球农业产量每年损失估计20-40%，经济损失超过2200亿美元。本文提出了一个统一的深度学习流程，结合语义分割、基于回归的严重度估计和疾病分类。胁迫严重度分为四级（低到极高），基于感染叶面积比例。使用苹果树叶子病害分割数据集（1641样本，6类）评估四种模型：U-Net（MobileNetV2）、SegFormer、FCN及PSPNet。MobileNetV2的U-Net表现最佳，达98.20%像素精度、0.70 mIoU及99.41%检测准确率，且单图处理14.7毫秒，适合实时应用。SegFormer表现接近（mIoU 0.66），FCN及PSPNet空间精度较低（约0.49 mIoU）。严重度指数与专家标注高度相关（r=0.968，R^2=0.937），证明系统在自动作物监测和决策支持中的可靠性。

该研究通过高精度且实时的深度学习模型实现了对作物病情的像素级量化，可有效辅助精准农业决策，降低人工评估主观性和工作强度，具有较高的实用价值和推广潜力。

研究员、模型团队和技术战略负责人 应该重点关注这条信号，尤其是正在跟踪 research、papers 的团队。

接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。