CuFormer U-Net: a transformer-enhanced multi-task network for cucumber leaf disease detection and segmentation
Batyrkhan Omarov · Sayat Ibrayev · Nurbibi Imanbayeva
提出CuFormer U-Net多任务网络，同时实现黄瓜叶病分类与病斑分割。
Transformer增强U-Net，用Kaggle 3754图分类和400图温
分类准确率96.7%，分割Dice 92.4%，但缺独立重复与外部验证。
需多轮多站点验证，并补全外部压力测试与可复现部署评估。
方法新颖、数据与指标披露充分且自我限定严谨，但属单作物单场景研究，产业影响有限，适合作为技术类精选。
黄瓜叶片症状会减少有效叶面积，并增加温室巡查的难度。本研究提出CuFormer U-Net，这是一种经Transformer增强的多任务网络，用于在包含3，754张图像的Kaggle基准数据集上进行三类图像级分类（健康、白粉病和霜霉病），并在一个独立的包含400张图像的温室队列（200张健康叶片和200张受影响叶片）上进行二值可见症状分割。温室标注包含2，705个矩形框（1，741个颜色异常实例和964个组织损伤实例）；用于密集预测实验的矩形框种子病灶掩膜经过人工精修。所报告的固定划分点估计结果为：分类任务准确率96.7%、宏平均精确率96.3%、宏平均召回率95.8%、宏平均F1值96.0%；分割任务平均图像级Dice系数92.4%、宏平均IoU 83.1%、前景精确率93.2%、前景召回率91.7%。完整的内部验证消融配置达到Dice 93.1%和IoU 87.3%。现有实验档案不包含独立随机种子重跑、用于推断性检验的逐图像预测、标注者级别掩膜、针对独立100张图像温室压力测试队列的定量结果，或可复现的硬件性能分析。因此，所有模型间差异均以描述性方式解释，外部队列不作为正式外部验证呈现，稳健性和部署相关主张也已作审慎表述。CuFormer U-Net为联合识别与空间表征提供了具有技术依据的基础，但仍需开展验证性多轮次和多站点评估。边界精修、黄瓜叶部病害、多任务学习、植物病害、精准农业、语义分割、视觉Transformer