摘要：农业为粮食生产、经济增长和环境可持续性提供了基础保障。然而，植物病害可能降低作物产量、增加成本，对粮食安全和农民收入构成威胁。柑橘类植物因其营养价值和经济价值而备受重视，却特别容易遭受柑橘黄化病、黑斑病和柑橘溃疡病等病害侵袭。得益于技术进步，图像处理与深度学习算法现已能早期检测并分类植物病害，从而有助于保护作物健康与生产力。本研究使农民能够识别并可视化影响柑橘植株的多种病害。该研究提出了一种高效模型，可检测在同一叶片上同时发生的多种柑橘病害（包括溃疡病、黑斑病和黄化病），该模型基于RSL（残差挤压与激励LeakyReLU）链接TransNet多类别分割框架构建。所提出的模型在解决现有模型的主要局限性方面表现突出，包括空间一致性不足、精细病害边界丢失以及特征表示不充分等问题。该RSL链接TransNet模型的重要意义在于其整合了分层特征提取、通过Transformer进行全局上下文建模以及精确特征重建技术，从而确保了卓越的分割精度与鲁棒性。所提出的RSL Linked-TransNet架构实验结果显示：准确率平均值为0.9755，损失函数值为0.0660，精确度为0.9779，召回率为0.9738，交并比（IoU）为0.9308。此外，在测试数据集的图像中，该模型对每个疾病类别均实现了平均F1分数0.7173和平均IoU值0.7567。分割结果进一步被用于识别叶片上主要病变，并通过主要病变分类与严重程度检测算法评估病害严重程度。
结论：RSL Linked-TransNet模型是一种专为多类别分割设计的创新方法，旨在精准识别图像中的多种疾病类别。与现有的U-Net、U-Net Trans和Residual SE-U-Net等模型相比，该模型的分割结果及各疾病类别的性能均显著提升。这些改进通过准确率、损失值、精确率、召回率和交并比（IoU）等指标进行评估。此外，该模型还通过专门设计的疾病分类与严重程度评估算法，对感染区域的严重程度进行量化。实验结果表明，所提出的方法优于现有其他模型，可有效应用于植物病害检测及严重程度分类。未来，该方法可与物联网设备集成，采集气候数据、湿度水平及其他环境参数，从而开发出更智能、更可持续的解决方案。同时，通过扩展更大规模的数据集并纳入更多疾病类别，该模型可进一步覆盖更广泛的叶片类型及病害种类。
