DOI: https://doi.org/10.3389/fpls.2025.1700556
PMID: https://pubmed.ncbi.nlm.nih.gov/41626344
تاريخ النشر: 2026-01-15
المؤلف: Yunlong Zhang وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تقدم البحث نموذج دمج الانتباه متعدد المقاييس VM-UNet (MSAF-VMUNet) المصمم لت segmenting صور آفات الأرز بدقة (PPIS) في بيئات الزراعة في الوقت الحقيقي. يعالج هذا النموذج قيود الهياكل الحالية، مثل الشبكات العصبية التلافيفية (CNNs) والمحولات، من خلال دمج قدرات نمذجة الاعتماد على المدى الطويل لنموذج الحالة البصرية (VSS) مع نقاط القوة في تحديد المواقع الدقيقة لـ U-Net مع الحفاظ على تعقيد حسابي منخفض. تشمل المكونات الرئيسية لـ MSAF-VMUNet كتلة VSS متعددة المقاييس (MSVSS) لالتقاط المعلومات السياقية، ووحدة دمج الانتباه المحسنة (IAF) لتعلم الميزات متعددة المستويات، ووحدة VSS الانتباهية في طبقة الاختناق لتعزيز التأكيد على الميزات وتقليل التكرار.
تظهر النتائج التجريبية على مجموعة بيانات آفات الأرز الفرعية من مجموعة بيانات IP102 أن MSAF-VMUNet يحسن بشكل كبير من أداء الكشف، حيث يحقق دقة PPIS تبلغ 79.17%، مما يتجاوز U-Net التقليدي و VM-UNet الحديثة بنسبة 15.51% و 3.39% على التوالي. يعالج النموذج بفعالية التحديات مثل الكشف عن الآفات الصغيرة، والاحتجاب، والتعامل مع الضوضاء، مما يوفر حلاً موثوقًا لمكافحة الآفات في الزراعة الذكية. تشمل اتجاهات البحث المستقبلية تطوير إطار عمل دمج عبر الأنماط لمواءمة الصورة والنص واستكشاف تقنية رسم المعرفة لتعزيز قدرات الكشف عن الآفات الصغيرة بشكل أكبر.
مقدمة
تسلط مقدمة الورقة الضوء على الدور الحاسم للرصد الدقيق وفي الوقت المناسب لآفات الأرز من أجل مكافحة فعالة للأمراض والآفات الزراعية، مما يبرز أهمية تقسيم صور آفات الأرز (PPIS) في هذا السياق. على الرغم من التقدم في الشبكات العصبية التلافيفية (CNNs)، وخاصة U-Net، لا تزال التحديات قائمة في تقسيم الآفات بدقة بسبب أحجامها المتغيرة، وانخفاض التباين اللوني مع الخلفيات، وحدودها الضبابية في البيئات المعقدة. أظهرت التطورات الأخيرة في الهياكل الهجينة، مثل نموذج Vision Mamba U-Net (VM-UNet)، الذي يدمج U-Net مع نماذج الحالة (SSM)، وعدًا في معالجة هذه القضايا من خلال التقاط الاعتماد على المدى الطويل مع تعقيد حسابي خطي.
لزيادة تحسين PPIS، يقترح المؤلفون هيكلًا جديدًا يسمى دمج الانتباه متعدد المقاييس VM-UNet (MSAF-VMUNet). يبني هذا النموذج على VM-UNet من خلال دمج كتلة VSS متعددة المقاييس (MSVSS) التي تجمع بين الالتفافات المتوسعة متعددة المقاييس (MSDC) مع عمليات SS2D، بالإضافة إلى وحدة دمج الانتباه المحسنة (IAF) ووحدة VSS الانتباهية (AVSS) لاستخراج الميزات بشكل أكثر دقة. يهدف MSAF-VMUNet إلى التقاط الميزات المحلية والطويلة المدى بشكل فعال مع التكيف مع الأحجام والأشكال المتغيرة للآفات. تؤكد الورقة أن MSAF-VMUNet قد تم التحقق منه على مجموعة بيانات آفات الأرز الفرعية من مجموعة بيانات IP102، مما يوضح فعاليته في PPIS. ستتناول الأقسام التالية من الورقة الأعمال ذات الصلة، النموذج المقترح، النتائج التجريبية، والاتجاهات المستقبلية.
الطرق
تستعرض هذه القسم مجموعة متنوعة من منهجيات التعلم الآلي (ML) والتعلم العميق (DL) المطبقة على أنظمة تحديد الآفات والأمراض الزراعية (CPIS). يبرز تطور هذه التقنيات، بما في ذلك طرق ML التقليدية مثل الغابات العشوائية وآلات الدعم الناقل، بالإضافة إلى الهياكل المتقدمة لـ DL مثل الشبكات العصبية التلافيفية (CNNs) والمحولات. من الجدير بالذكر أن الدراسات الأخيرة قد قدمت نماذج مبتكرة مثل CNN ثلاثية المقاييس مع آليات الانتباه وإطارات U-Net الهجينة التي تعزز دقة الكشف مع معالجة الكفاءة الحسابية. يتم التأكيد على التحديات التي تواجهها الطرق الحالية المعتمدة على CNN، خاصة في تمييز أهداف الآفات الصغيرة وسط خلفيات معقدة.
تُعترف الأساليب المعتمدة على المحولات، بما في ذلك المحولات البصرية (ViT)، بقدرتها على نمذجة الاعتماد على المدى الطويل والمعلومات السياقية العالمية، على الرغم من أن تعقيدها الحسابي التربيعي يفرض قيودًا على التطبيقات الزراعية في الوقت الحقيقي. يناقش القسم أيضًا ظهور الهياكل الهجينة، مثل النماذج المعتمدة على Mamba، التي تجمع بين استخراج الميزات المحلية مع نمذجة السياق العالمي، مما يحقق أداءً محسنًا مع عدد أقل من المعلمات. يهدف نموذج دمج الانتباه متعدد المقاييس VM-UNet (MSAF-VMUNet) إلى التغلب على التحديات الرئيسية في الكشف عن الآفات من خلال دمج دمج الميزات متعددة المقاييس وآليات الانتباه، مما يظهر فعالية في السيناريوهات الواقعية من خلال تقييم صارم على مجموعة بيانات IP102 المرجعية. توضح إعدادات التجربة استخدام الأوزان المدربة مسبقًا، والمعلمات الفائقة المحددة، ومقاييس التقييم، بما في ذلك الدقة، والاسترجاع، ومتوسط تقاطع الاتحاد (mIoU)، لتقييم أداء النموذج.
النتائج
في هذا القسم، يتم تقييم فعالية نموذج MSAF-VMUNet لتقسيم صور آفات الأرز (PPIS) من خلال تجارب موسعة على مجموعة بيانات IP102. يتم مقارنة MSAF-VMUNet مع عدة نماذج متطورة، بما في ذلك U-Net، وU-Nets المعدلة (HU-Net وDMSAU-Net)، والنماذج المعتمدة على المحولات (Trans-FCLIE وCATransUNet)، وغيرها من الشبكات المتقدمة للتقسيم. تشير النتائج إلى أن MSAF-VMUNet يتفوق في تحديد مواقع الآفات الصغيرة بدقة وتقليل تداخل الخلفية، مما يظهر قدرات تعميم قوية في كل من السيناريوهات البسيطة والمعقدة.
تظهر التقييمات البصرية أن MSAF-VMUNet يتفوق على النماذج الأخرى، خاصة في الظروف الصعبة التي تتميز بخلفيات معقدة وآفات صغيرة ومتعددة المقاييس. كميًا، يحقق MSAF-VMUNet أعلى دقة (79.17%) ومتوسط تقاطع الاتحاد (mIoU) (66.58%)، مع الحفاظ على استرجاع تنافسي (73.42%). كما يظهر النموذج أوقات تدريب فعالة (7.67 ساعة)، أقل بكثير من تلك الخاصة بالنماذج المعتمدة على المحولات والنماذج الموجهة للكشف، مما يوفر توازنًا مثاليًا بين دقة التقسيم والكفاءة الحسابية للتطبيقات الزراعية العملية.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدم والفعالية لنموذج MSAF-VMUNet المقترح لتقسيم صور آفات المحاصيل (CPIS) في البيئات الزراعية المعقدة. يدمج MSAF-VMUNet عدة مكونات مبتكرة، بما في ذلك VSS متعددة المقاييس (MSVSS)، ودمج الانتباه المحسن (IAF)، وVSS التكيفية (AVSS)، والتي تعزز مجتمعة قدرة النموذج على تقسيم الآفات الصغيرة بدقة ضد الخلفيات المعقدة. يسمح هيكل النموذج باستخراج كل من الميزات العالمية والمحلية، مما يعالج التحديات مثل الاحتجاب وانخفاض التباين، والتي تتكرر في السيناريوهات الواقعية. تظهر النتائج التجريبية أن MSAF-VMUNet يتفوق على النماذج التقليدية، محققًا دقة أعلى ومتوسط تقاطع الاتحاد (mIoU)، خاصة في الظروف الصعبة التي تشمل الآفات الصغيرة.
تؤكد المناقشة أيضًا على كفاءة النموذج الحسابية، حيث يحافظ على تعقيد خطي \(O(n)\) مقارنة بالتعقيد التربيعي \(O(n^2)\) للنماذج المعتمدة على المحولات. هذه الكفاءة، جنبًا إلى جنب مع قدراته الفائقة في التقسيم، تجعل من MSAF-VMUNet حلاً عمليًا للرصد التلقائي للآفات في إدارة المحاصيل المستدامة. كما يحدد المؤلفون اتجاهات البحث المستقبلية، بما في ذلك تطوير إطار عمل دمج عبر الأنماط واستكشاف تقنية رسم المعرفة لتعزيز قدرات الكشف عن الآفات بشكل أكبر. بشكل عام، يمثل MSAF-VMUNet خطوة كبيرة إلى الأمام في تطبيق التعلم العميق لإدارة الآفات الزراعية، مما يظهر أداءً قويًا في ظروف الحقل الصعبة.
DOI: https://doi.org/10.3389/fpls.2025.1700556
PMID: https://pubmed.ncbi.nlm.nih.gov/41626344
Publication Date: 2026-01-15
Author(s): Yunlong Zhang et al.
Primary Topic: Smart Agriculture and AI
Overview
The research presents a novel multiscale attention fusion VM-UNet (MSAF-VMUNet) model designed for precise paddy pest image segmentation (PPIS) in real-time agricultural environments. This model addresses the limitations of existing architectures, such as Convolutional Neural Networks (CNNs) and Transformers, by integrating the long-range dependency modeling capabilities of the Visual State Space Model (VSS) with the precise positioning strengths of U-Net while maintaining low computational complexity. Key components of MSAF-VMUNet include the multiscale VSS (MSVSS) block for capturing contextual information, an improved attention fusion (IAF) module for multi-level feature learning, and an attention VSS module in the bottleneck layer to enhance feature emphasis and reduce redundancy.
Experimental results on the paddy pest subset of the IP102 dataset demonstrate that MSAF-VMUNet significantly improves detection performance, achieving a PPIS precision of 79.17%, which surpasses traditional U-Net and recent VM-UNet by 15.51% and 3.39%, respectively. The model effectively addresses challenges such as small pest detection, occlusion, and noise handling, offering a reliable solution for pest control in smart agriculture. Future research directions include developing a cross-modal fusion framework for image and text alignment and exploring knowledge graph technology to further enhance small pest detection capabilities.
Introduction
The introduction of the paper highlights the critical role of timely and accurate monitoring of paddy pests for effective crop disease and pest control, emphasizing the importance of paddy pest image segmentation (PPIS) in this context. Despite advancements in convolutional neural networks (CNNs), particularly U-Net, challenges persist in accurately segmenting pests due to their variable sizes, low color contrast with backgrounds, and blurred boundaries in complex environments. Recent developments in hybrid architectures, such as the Vision Mamba U-Net (VM-UNet), which integrates U-Net with State Space Models (SSM), have shown promise in addressing these issues by capturing long-range dependencies with linear computational complexity.
To further enhance PPIS, the authors propose a novel architecture called multiscale attention fusion VM-UNet (MSAF-VMUNet). This model builds upon VM-UNet by incorporating a Multiscale VSS (MSVSS) block that combines Multi-Scale Dilated Convolutions (MSDC) with SS2D operations, along with an Improved Attention Fusion (IAF) module and an Attention VSS (AVSS) for refined feature extraction. The MSAF-VMUNet aims to effectively capture both local and long-range features while adapting to the varying sizes and shapes of pests. The paper asserts that MSAF-VMUNet has been validated on the paddy pest subset of the IP102 dataset, demonstrating its effectiveness for PPIS. The subsequent sections of the paper will elaborate on related work, the proposed model, experimental results, and future directions.
Methods
The section outlines various machine learning (ML) and deep learning (DL) methodologies applied to crop pest and disease identification systems (CPIS). It highlights the evolution of these techniques, including traditional ML methods like Random Forest and Support Vector Machines, as well as advanced DL architectures such as Convolutional Neural Networks (CNNs) and Transformers. Notably, recent studies have introduced innovative models like a three-scale CNN with attention mechanisms and hybrid U-Net frameworks that enhance detection accuracy while addressing computational efficiency. The challenges faced by existing CNN-based methods, particularly in distinguishing small pest targets amidst complex backgrounds, are emphasized.
Transformer-based approaches, including Vision Transformers (ViT), are recognized for their ability to model long-range dependencies and global contextual information, although their quadratic computational complexity poses limitations for real-time agricultural applications. The section also discusses the emergence of hybrid architectures, such as Mamba-based models, which combine local feature extraction with global context modeling, achieving improved performance with lower parameter counts. The proposed Multiscale Attention Fusion VM-UNet (MSAF-VMUNet) aims to overcome key challenges in pest detection by integrating multiscale feature fusion and attention mechanisms, demonstrating effectiveness in real-world scenarios through rigorous evaluation on the IP102 benchmark dataset. The experimental setup details the use of pre-trained weights, specific hyperparameters, and evaluation metrics, including Precision, Recall, and mean Intersection over Union (mIoU), to assess model performance.
Results
In this section, the effectiveness of the MSAF-VMUNet model for paddy pest image segmentation (PPIS) is evaluated through extensive experiments on the IP102 dataset. MSAF-VMUNet is compared against several state-of-the-art models, including U-Net, modified U-Nets (HU-Net and DMSAU-Net), Transformer-based models (Trans-FCLIE and CATransUNet), and other advanced segmentation networks. The results indicate that MSAF-VMUNet excels in accurately localizing small pests and mitigating background interference, demonstrating strong generalization capabilities in both simple and complex scenarios.
Visual assessments reveal that MSAF-VMUNet outperforms other models, particularly in challenging conditions characterized by complex backgrounds and small, multiscale pests. Quantitatively, MSAF-VMUNet achieves the highest Precision (79.17%) and mean Intersection over Union (mIoU) (66.58%), while maintaining competitive Recall (73.42%). The model also exhibits efficient training times (7.67 hours), significantly lower than those of Transformer-based and detection-oriented models, thus providing an optimal balance between segmentation accuracy and computational efficiency for practical agricultural applications.
Discussion
The discussion section of the research paper highlights the advancements and effectiveness of the proposed MSAF-VMUNet model for crop pest image segmentation (CPIS) in complex agricultural environments. MSAF-VMUNet integrates several innovative components, including the Multiscale VSS (MSVSS), Improved Attention Fusion (IAF), and Adaptive VSS (AVSS), which collectively enhance the model’s ability to accurately segment small pests against intricate backgrounds. The model’s architecture allows for the extraction of both global and local features, addressing challenges such as occlusion and low contrast, which are prevalent in real-world scenarios. Experimental results demonstrate that MSAF-VMUNet outperforms traditional models, achieving higher precision and mean Intersection over Union (mIoU) metrics, particularly in difficult conditions involving small pests.
The discussion further emphasizes the model’s computational efficiency, maintaining linear complexity \(O(n)\) compared to the quadratic complexity \(O(n^2)\) of transformer-based models. This efficiency, combined with its superior segmentation capabilities, positions MSAF-VMUNet as a practical solution for automatic pest monitoring in sustainable crop management. The authors also outline future research directions, including the development of a cross-modal fusion framework and the exploration of knowledge graph technology to further enhance pest detection capabilities. Overall, MSAF-VMUNet represents a significant step forward in the application of deep learning for agricultural pest management, demonstrating robust performance in challenging field conditions.