PSPE-UNet: Projection-based Similarity Prototype Embedding UNet for Apple Leaf Disease Segmentation
Vedamurthy Hadavanahalli Kumaraiah · Shrinivasacharya Purohit
提出PSPE-UNet，用投影相似原型嵌入分割苹果叶片病害区域。
UNet+投影头+可学习原型（健康/病害/边界），ATLDSD数据集。
像素精度98.96%，单图推理0.0027秒，优于AS-DeepLabV3+和UNet。
可探索原型嵌入在相似症状多病害区分及轻量化边缘部署中的泛化能力。
提出基于相似度原型嵌入的UNet分割方法，在苹果叶病害数据集上取得98.96%像素精度，方法新颖、数据明确，但属细分算法研究，产业影响有限。
苹果叶片病害分割在精准农业中具有重要意义，能够在像素级别上准确识别和定位感染区域。然而，不同苹果叶片病害表现出相似的症状，例如病灶重叠使得区分不同病害类别具有挑战性。本研究提出了一种基于投影的相似性原型嵌入UNet（PSPE-UNet）用于苹果叶片病害分割。在UNet中采用带有相似性原型嵌入的投影头，通过将像素级表示映射到归一化嵌入空间来增强特征判别能力。这确保了健康和病害区域之间更好的分离，即使这些区域表现出相似的纹理和色彩特征。使用三个可学习原型分别对应健康、病害和边界区域。边界原型在辅助边界分支中作为可学习辅助特征原型，在训练期间计算边界概率图，而病害预测则基于健康和病害原型。此外，该方法通过细化特征对齐增强了对不规则和小病灶的边界描绘。因此，所提出的PSPE-UNet在苹果树叶病害分割数据集（ATLDSD）上达到了98.96%的高像素精度（PA），并与现有方法如AS-DeepLabV3+进行了比较。此外，所提出的PSPE-UNet在ATLDSD数据集上获得了每批次（8张图像）0.0217秒的推理时间，相当于每张图像0.0027秒，与UNet等传统方法相比具有优势。