技術前瞻

    澳洲梅鐸大學研究團隊提出一套自動化像素層級標註方法，用於植物病害嚴重度評估。該方法結合深度學習與形態特徵分析，在咖啡葉資料集中最佳分類準確率達82.24%。
 

病害嚴重度評估與像素層級標註需求

    植物病害嚴重度評估是作物管理的重要依據，但現有研究多著重於病害種類辨識，對於病害程度的判斷仍受限於訓練資料取得方式。嚴重度評估需掌握影像中病斑的精確範圍，高度仰賴像素層級標註資料。然而，這類標註多需人工於影像中逐一勾勒病斑邊界，不僅耗時，也需要專業判讀，難以大量建立資料。

偽標註生成與影像分類技術

    為降低人工標註負擔，澳洲梅鐸大學(Murdoch University)研究團隊提出自動化像素層級偽標註方法，研究先以具有病斑之大麥影像為基礎，透過視覺轉換器(Vision Transformer, ViT)進行影像分類，並利用GradCAM技術，將影像中可能屬於病斑的區域轉換為像素層級的偽標註資料。

SOD模型訓練與跨作物資料測試

    偽標註資料進一步用於訓練顯著物件偵測(Salient Object Detection, SOD)模型MEANet，使其具備自動分割病斑區域的能力。完成訓練之SOD模型可應用於多種作物影像，包括大麥、小麥與水稻等。為驗證該模型跨作物的適用性，研究人員在具專家標註之咖啡資料集上進行測試，結果顯示模型分割與人工標註具有穩定的一致性表現。

病害嚴重程度分類方法

    完成病斑分割後，研究團隊於咖啡資料集中進行病害嚴重程度之等級分類。評估方法結合形態指標與灰階共生矩陣(GLCM)所計算之紋理特徵，並以支持向量機(SVM)進行嚴重程度等級分類，其準確率約為80%。為進一步提升分類表現，研究團隊將深度學習模型所自動萃取之影像特徵納入特徵組合，分類準確率提升至82.24%。

模型應用性與後續研究方向

    研究結果顯示，自動化像素層級偽標註可用於訓練SOD模型進行病斑分割，所得分割結果可進一步支援病害嚴重程度判定，並於不同作物資料集上展現一定之適用性。然而，模型效能仍受標註品質與資料條件影響，未來仍需透過弱監督式學習與提升資料品質，強化模型穩定性與跨作物應用能力。本研究已發表於《Computers and Electronics in Agriculture》期刊。


資料來源：農業科技-新脈動
https://agritech-foresight.atri.org.tw/article/contents/6147?Category=trend