01 / RESEARCH QUESTION
研究问题
融合多尺度编码、注意力与动态特征模块，覆盖叶病和跨场景分割任务。
形成多尺度病害图像分割与边缘部署方案，支持轻量化视觉模型的应用研究。
02 / METHODS
研究思路与图1
左侧 分层编码
HMSAE编码器逐级降低空间分辨率、增加通道数，提取不同尺度的病斑特征。
中部 特征传递与融合
SEAM增强跳跃连接中的有效信息，瓶颈处MsDAM整合多尺度特征并抑制背景干扰。
右侧 恢复分割结果
解码器通过上采样、特征拼接和卷积恢复空间细节，输出像素级病害区域。
数据。采用HMSAE编码器、SEAM跳跃连接和MsDAM瓶颈模块，在叶病数据及跨场景分割任务上评价，并在RK3568平台部署。
03 / FINDINGS
核心结果
叶病分割mIoU为83.78%，模型参数量为1.28 M。RK3568平台测得处理速度0.63 FPS、峰值内存323.93 MB，展示模型的边缘部署结果。
04 / GLOSSARY
术语说明
- mIoU
- mean Intersection over Union｜平均交并比：图像分割评价指标。
- FPS
- Frames Per Second｜每秒处理帧数。
05 / REFERENCE
论文来源
Lin Shi 等
HMSA-Net: A lightweight transfer learning model for agricultural disease segmentation
Computers and Electronics in Agriculture 255 (2026) 112313
DOI: 10.1016/j.compag.2026.112313 ↗图表来源：上述论文原图。研究解读据科研成果汇报材料整理；模型候选设计与实验验证结果按原文区分。