FDUNet-LRSA: efficient frequency-adaptive segmentation for automated crop disease inspection

向工业化与自动化农业转型，需要可靠的机器视觉技术，以支持高通量作物健康监测与田间决策。然而，甘薯病害自动检测仍具挑战性，因为田间图像在叶片尺度、外观、光照、遮挡和背景复杂度方面存在显著变化。传统U形网络主要依赖固定卷积核和局部特征聚合，而基于Transformer的替代方案往往带来较大的计算开销。本文提出FDUNet-LRSA，一种频率自适应分割网络，融合了频域动态卷积、低分辨率自注意力与边界感知细化。频域动态卷积重建依赖输入的空间卷积核，以提升成像条件变化下的特征适应性。低分辨率自注意力在固定的紧凑特征空间中捕获长程上下文依赖，而边界感知细化在掩码重建过程中保留不规则叶片轮廓。在所报告的评估协议下，FDUNet-LRSA取得了0.94的平均测试前景IoU和0.97的Dice系数，计算量为3.72 GFLOPs。额外实验表明，与更强的增强相比，面向任务的中等增强可提升泛化能力。所提出的网络为自动化作物检测系统提供了一种高效的视觉感知方法。