ZLab陈震教授与豆根生教授合作在作物病害智能识别领域取得新进展

图1｜TaxoSeg作物病害智能分割模型整体架构。 模型融合视觉特征提取、作物条件感知、结构化文本原型和层级知识蒸馏，实现作物病害的精准定位与分类。

近日，ZLab陈震教授与豆根生教授合作，在国际学术期刊 Smart Agricultural Technology 发表题为“TaxoSeg: Taxonomy-aware crop disease segmentation via structured semantic prototypes”的研究论文。该研究提出了一种融合结构化语义知识与视觉—语言预训练模型的作物病害智能分割框架TaxoSeg，为复杂田间环境下作物病害的精准识别与智能诊断提供了新方法。

作物病害的快速、准确识别是保障粮食安全和推动智慧农业发展的重要基础。然而，自然田间环境中背景复杂、光照条件多变、病斑形态差异显著，不同作物的病害症状还可能高度相似，给人工智能模型的精准识别带来挑战。现有方法通常将作物与病害的不同组合视为独立类别，难以充分利用作物种类、病害类型及症状特征之间的内在关联，限制了模型的识别精度与跨场景泛化能力。

针对上述问题，研究团队开发了分类知识驱动的作物病害智能分割框架TaxoSeg（图1）。该模型采用视觉与文本双分支架构：视觉分支通过图像编码器和Transformer解码器提取多尺度特征并生成病斑区域掩码，文本分支则将作物类别、病害类型及症状描述转化为结构化语义原型。在此基础上，模型引入作物条件感知模块（CCMA），利用作物信息增强病斑特征表达；通过层级知识蒸馏机制（A2F-HKD），将作物和病害层面的预测信息用于指导细粒度分类；同时结合双分支文本原型，提高对相似病害症状的区分能力。通过视觉特征与农业语义知识的协同建模，TaxoSeg实现了病斑区域定位与细粒度病害识别。

研究团队在多个公开数据集及独立采集的田间病害数据集上开展了系统验证。结果表明，TaxoSeg在PlantSeg115数据集上的平均交并比（mIoU）达到48.48%，较同骨干网络的基线模型提升10.40个百分点。在独立采集的田间小麦病害数据集WheatField-Seg上，模型无需使用目标域数据进行训练或模型选择，即取得67.77%的mIoU，表现出良好的跨场景泛化能力，进一步验证了结构化农业知识在复杂田间病害识别中的应用价值。

该研究将作物病害分类知识与人工智能视觉模型有机结合，为突破传统图像识别方法对表面视觉特征的依赖提供了新的技术思路。研究成果有望为作物病害智能监测、精准植保和农业智能决策提供技术支持，推动人工智能技术在智慧农业领域的应用。

张二坤为论文第一作者，ZLab陈震教授与豆根生教授为共同通讯作者。 研究得到国家自然科学基金（32570482）资助。

论文信息

Zhang, E., Cheng, J., Zhang, Z., Wang, K., Ding, Z., Liu, Y., Tang, J., Dou, G., & Chen, Z. (2026). TaxoSeg: Taxonomy-aware crop disease segmentation via structured semantic prototypes. Smart Agricultural Technology, 15, 102611.