CRDS-Unet: channel-reversed depthwise separable U-net for efficient tomato leaf disease segmentation

方法

深度可分离卷积与通道反转编码器，PlantVillage番茄叶片数据，Dice/

发现

参数量较U-Net减少97%以上，Dice从0.90降至0.79，延长训练可升至0.85。

机会点

可在资源受限设备上探索精度与效率平衡的轻量分割模型及端侧实时部署验证。

引言 自动化植物叶片病害分割对于精准农业中的准确病害诊断和定量病斑评估至关重要。基于U-Net的架构被广泛应用于该任务，但其较高的计算复杂度有时会阻碍其在资源受限的农业环境中的应用。方法 本研究探讨了深度可分离卷积（depthwise separable convolutions）与通道反转U-Net相结合用于番茄叶片病害分割。通道反转编码器将更多特征通道分配给浅层，并逐渐减少深层通道数，这与传统U-Net的通道分配方案相反，旨在保留空间细节的同时减少计算成本较高的深层阶段的计算量。编码器、瓶颈层和解码器均采用深度可分离卷积以进一步减少可训练参数。模型在病斑掩膜上训练，并在PlantVillage番茄叶片数据集的独立留出子集上使用Dice系数、IoU、精确率、召回率和F1分数进行评估，采用经校正的数据划分方案以消除本工作早期版本中存在的训练/测试泄漏。结果 与传统U-Net相比，所提方法将可训练参数减少了97%以上（96万对3106万），但在所评估的训练预算下分割精度有所下降（Dice系数0.79对标准U-Net的0.90）。一项延长训练预算的补充实验大幅缩小了这一差距（Dice系数0.85）。讨论 这些发现表明，参数高效设计需要更多训练才能接近高参数替代方案的精度。我们直接报告了这一精度/效率权衡，而非声称精度持平，并将所有评估架构间的完整匹配预算比较确定为后续工作的优先事项。通过展示实质性且公开披露的参数效率提升，该方法旨在支持未来面向资源受限农业环境的低成本病害诊断工具的開發。经过验证的实时端侧部署仍是未来工作的方向。