在葡萄生長(zhǎng)的后期，葉片出現(xiàn)了各種不同的病害，其中比較常見(jiàn)的有多種，比如霜霉病、黑腐病褐斑病、卷葉病等，都會(huì)影響到葡萄的生長(zhǎng)與結(jié)果。

針對(duì)葡萄生長(zhǎng)后期葉片發(fā)生的病害，可以采取一些措施來(lái)進(jìn)行防治。比如說(shuō)，在種植的過(guò)程中，要注意灌溉的方式和時(shí)機(jī)，保持土壤的透氣性和排水性，避免濕度過(guò)高。同時(shí)，及時(shí)清除患上病害的葉片和果實(shí)，防止病菌的傳播和擴(kuò)散。在發(fā)現(xiàn)病害癥狀時(shí)，要及時(shí)使用相應(yīng)的農(nóng)藥進(jìn)行治療，避免病情繼續(xù)惡化。

葡萄卷葉病是一種嚴(yán)重影響葡萄產(chǎn)量和品質(zhì)的病害。葡萄卷葉病感染程度類別之間存在嚴(yán)重的數(shù)據(jù)不平衡，導(dǎo)致無(wú)人機(jī)遙感技術(shù)難以進(jìn)行精確的診斷。

西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院與農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點(diǎn)實(shí)驗(yàn)室、陜西省農(nóng)業(yè)信息感知與智能服務(wù)重點(diǎn)實(shí)驗(yàn)室、西北農(nóng)林科技大學(xué)葡萄酒學(xué)院、寧夏賀蘭山東麓葡萄產(chǎn)業(yè)園區(qū)管理委員會(huì)等機(jī)構(gòu)聯(lián)合組成了以蘇寶峰科研團(tuán)隊(duì)。針對(duì)此問(wèn)題，提出一種結(jié)合細(xì)粒度分類和生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Network，GAN)的方法，用于提高無(wú)人機(jī)遙感圖像中葡萄卷葉病感染程度分類的性能。

以蛇龍珠品種卷葉病識(shí)別診斷為例，使用GANformer分別對(duì)每一類的葡萄園正射影像的分塊圖像進(jìn)行學(xué)習(xí)，生成多樣化和逼真的圖像以增強(qiáng)數(shù)據(jù)，并以Swin Transformer tiny作為基礎(chǔ)模型，提出改進(jìn)模型CA-Swin Transformer，引入通道注意力機(jī)制(Channel Attention，CA)來(lái)增強(qiáng)特征表達(dá)能力，并使用ArcFace損失函數(shù)和實(shí)例歸一化(Instance Normalization，IN)來(lái)改進(jìn)模型的性能。

GANformer可以生成FID score為93.20的蛇龍珠虛擬冠層圖像，有效地改善數(shù)據(jù)不平衡問(wèn)題。同時(shí)，相比基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)的深度學(xué)習(xí)模型，基于Transformer的深度學(xué)習(xí)模型在卷葉病感染程度診斷的問(wèn)題上更具優(yōu)勢(shì)。最佳模型Swin Transformer在增強(qiáng)數(shù)據(jù)集上達(dá)到83.97%的準(zhǔn)確率，比在原始數(shù)據(jù)集上提高3.86%，且高于GoogLeNet、MobileNetV2、NasNet Mobile、ResNet18、ResNet50、CVT和T2TViT等對(duì)照模型。而該研究所提的CA-Swin Transformer在增強(qiáng)數(shù)據(jù)后的測(cè)試集上達(dá)到86.65%的分類精度，比在原始的測(cè)試集上使用Swin Transformer精度提高6.54%。

該研究基于CA-Swin Transformer使用滑動(dòng)窗口法制作了葡萄園蛇龍珠卷葉病嚴(yán)重程度分布圖，為葡萄園卷葉病的防治提供了參考。同時(shí)，該研究的方法為無(wú)人機(jī)遙感監(jiān)測(cè)作物病害提供了一種新的思路和技術(shù)手段。

審核編輯 黃宇