在葡萄生長的后期，葉片出現了各種不同的病害，其中比較常見的有多種，比如霜霉病、黑腐病褐斑病、卷葉病等，都會影響到葡萄的生長與結果。

針對葡萄生長后期葉片發生的病害，可以采取一些措施來進行防治。比如說，在種植的過程中，要注意灌溉的方式和時機，保持土壤的透氣性和排水性，避免濕度過高。同時，及時清除患上病害的葉片和果實，防止病菌的傳播和擴散。在發現病害癥狀時，要及時使用相應的農藥進行治療，避免病情繼續惡化。

葡萄卷葉病是一種嚴重影響葡萄產量和品質的病害。葡萄卷葉病感染程度類別之間存在嚴重的數據不平衡，導致無人機遙感技術難以進行精確的診斷。

西北農林科技大學機械與電子工程學院與農業農村部農業物聯網重點實驗室、陜西省農業信息感知與智能服務重點實驗室、西北農林科技大學葡萄酒學院、寧夏賀蘭山東麓葡萄產業園區管理委員會等機構聯合組成了以蘇寶峰科研團隊。針對此問題，提出一種結合細粒度分類和生成對抗網絡(Generative Adversarial Network，GAN)的方法，用于提高無人機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別診斷為例，使用GANformer分別對每一類的葡萄園正射影像的分塊圖像進行學習，生成多樣化和逼真的圖像以增強數據，并以Swin Transformer tiny作為基礎模型，提出改進模型CA-Swin Transformer，引入通道注意力機制(Channel Attention，CA)來增強特征表達能力，并使用ArcFace損失函數和實例歸一化(Instance Normalization，IN)來改進模型的性能。

GANformer可以生成FID score為93.20的蛇龍珠虛擬冠層圖像，有效地改善數據不平衡問題。同時，相比基于卷積神經網絡(Convolutional Neural Networks，CNN)的深度學習模型，基于Transformer的深度學習模型在卷葉病感染程度診斷的問題上更具優勢。最佳模型Swin Transformer在增強數據集上達到83.97%的準確率，比在原始數據集上提高3.86%，且高于GoogLeNet、MobileNetV2、NasNet Mobile、ResNet18、ResNet50、CVT和T2TViT等對照模型。而該研究所提的CA-Swin Transformer在增強數據后的測試集上達到86.65%的分類精度，比在原始的測試集上使用Swin Transformer精度提高6.54%。

該研究基于CA-Swin Transformer使用滑動窗口法制作了葡萄園蛇龍珠卷葉病嚴重程度分布圖，為葡萄園卷葉病的防治提供了參考。同時，該研究的方法為無人機遙感監測作物病害提供了一種新的思路和技術手段。

審核編輯 黃宇