灰霉病是由坏死营养真菌病原体（灰霉病菌）引起的一种致死性疾病，影响多种植物。这也是草莓的一种常见病害，限制了产量。因此，灰霉病的现场检测和量化是必不可少的。大多数深度卷积神经网络（CNN）都是基于网络的最高概率值来进行植物病害识别和分类的。然而，像素级分割可以量化植物中的疾病严重程度，这对于确定杀虫剂的剂量至关重要。疾病严重程度也是监测植物对特定疾病抗性的有用参数。因此，准确量化植物病害在农业中至关重要。在这种情况下，设计并测试了一个基于深度学习的语义分割模型来检测草莓植株灰霉病。为此，在每组10株草莓上接种三种浓度的1×103、1×105、1×107 CFU/mL病原菌，观察随后的病害发生及其强度。使用像素精度、dice精度和联合交叉（IoU）度量（使用五倍交叉验证方法）评估模型性能。结果与XGBoost模型、K-means和大津图像处理算法得到的结果进行了比较。在80张测试图像上，像素、dice和IoU的精度在Unet模型中达到最高，其次是XGBoost模型。结果表明，在检测和量化灰霉病方面，Unet模型优于传统的XGBoost、K均值和图像处理技术。因此，一个深入学习的Unet可以成为一个很好的工具，帮助农民和农学家测量疾病的严重程度。
关键词:Unet·机器学习·灰霉病·语义分割·草莓
Introduction
灰霉病由真菌病原体（灰霉病菌）引起，是几种植物中最常见、最具破坏性的疾病之一。灰霉病菌是一种坏死营养型真菌，它会破坏宿主植物的组织，使其完全死亡（Petrasch等人，2019年）。在整个生命周期中，它会影响整个草莓植株的器官，叶片图像可以作为反映疾病强度的有效器官（Boc
