Введение. Автоматическая сегментация болезней растений по изображениям листьев является важной задачей для своевременного выявления очагов инфекции и точечного применения средств защиты. Однако большинство существующих моделей обучаются на датасетах, собранных в лабораторных или тепличных условиях (например, PlantVillage), где фон однороден, освещение контролируется, а растения находятся в стандартной фазе роста. При переносе таких моделей на реальные поля возникает доменный сдвиг, вызванный изменением фона (почва, другие растения), вариациями освещения (солнечный свет, тени), погодными условиями (дождь, роса) и различиями в сортах или возрастах растений. Это приводит к значительному снижению точности сегментации — в ряде работ зафиксировано падение метрики mAP более чем на 15% даже при использовании продвинутых методов адаптации, а для лёгких свёрточных сетей потеря точности может достигать 70% [1, 2]. Высокая точность на идеальных датасетах, таким образом, не гарантирует пригодности модели для реальных сельскохозяйственных применений.

Традиционные методы борьбы с доменным сдвигом, такие как аугментация данных (повороты, изменение яркости, добавление шума) и адаптация доменов (Domain Adaptation), имеют ограничения: они либо не охватывают всё разнообразие реальных условий, либо требуют наличия размеченных данных из целевого домена. Современные подходы, такие как фреймворк Multi-Granularity Alignment (MGA), достигают улучшения за счёт многоуровневого выравнивания признаков, но всё же демонстрируют mAP не выше 49% в условиях смены домена [3]. В последние годы активно развивается направление непрерывной адаптации, основанное на рекуррентных архитектурах, способных моделировать временную динамику. В связи с этим, возможным решением борьбы с доменным сдвигом являются жидкостные нейросети (Liquid Neural Networks) [4], в частности сети с жидкой временной константой (LTC), которые, как показано в недавних работах, обладают уникальной способностью к обобщению в условиях смены доменов за счёт динамической зависимости временной константы от входного сигнала [5, 6, 7]. Сравнительные исследования подтверждают, что LNN и их варианты (LTC, CFC) превосходят традиционные RNN, LSTM и GRU по параметрической эффективности и скорости вычислений, сохраняя при этом высокую выразительность [7, 8].

В данной работе предлагается использовать LTC-слои в архитектуре нейросети для сегментации (U-Net) в качестве решения задачи выделения поражённых участков на изображениях растений. В то время как существующие применения LTC охватывают в основном задачи временных рядов, распознавания жестов и автономного вождения, их потенциал в области сегментации сельскохозяйственных изображений остаётся практически неисследованным. В работе показывается, что такая модификация позволяет модели плавно адаптироваться к изменениям внешних условий и значительно повышает точность сегментации на целевых доменах без необходимости их дообучения, что выгодно отличает предложенный подход от методов адаптация домена без учителя, требующих доступа к неразмеченным данным из целевого домена.

В основе подхода лежит гибридная архитектура LTC-U-Net, которая объединяет сильные стороны классической U‑Net в извлечении пространственных признаков с динамическими свойствами жидкостных нейросетей (Liquid Time-Constant Networks, LTC). В отличие от стандартных рекуррентных блоков, LTC-слои моделируют непрерывную временную динамику, что позволяет сети адаптироваться к изменяющимся условиям входного сигнала на уровне своих внутренних состояний. Это свойство позволяет бороться с доменным сдвигом, так как модель учится не фиксированным паттернам, а динамике их изменения.

Предлагаемая архитектура (см. Рис. 1) состоит из четырёх основных модулей:

Энкодер на основе свёрточной нейросети. На вход подаётся изображение листа растения. Для извлечения иерархических пространственных признаков выбран предобученный на ImageNet энкодер ResNet-34. Это позволяет получить богатое многомасштабное представление, которое затем передаётся в bottleneck-часть сети. Использование предобученного энкодера также помогает в ситуациях с ограниченным количеством размеченных данных, что часто встречается в задачах точного земледелия.

Bottleneck с LTC-блоком — центральный компонент архитектуры. В отличие от стандартной U‑Net, где bottleneck представляет собой последовательность свёрточных слоёв, в данной модификации происходит его замена на LTC-блок, который обрабатывает признаки, рассматривая их как временной ряд. В контексте обработки одного изображения искусственно создается временное измерение, подавая на LTC-блок либо: пространственные срезы, последовательность строк или патчей изображения, либо признаки, полученные с разных уровней энкодера.

Итеративные уточнения: выполняя несколько шагов LTC-обработки для одного и того же набора признаков, что позволяет модели «размышлять» над данными.

LTC-блок состоит из одного или нескольких LTC-слоёв, каждый из которых описывается системой обыкновенных дифференциальных уравнений (ODE) [9]:

dx(t)/dt = -x(t)/τ + f(x(t), I(t), t, θ) [9]

Ключевое отличие LTC от классических RNN и Neural ODE заключается в том, что временная константа τ здесь не является фиксированным параметром, а динамически изменяется в зависимости от входного сигнала I(t) и текущего скрытого состояния x(t) [9]. Это свойство и дало название «жидкостные» сети. Благодаря этому, отдельные элементы скрытого состояния могут идентифицировать специализированные динамические системы для входных признаков, поступающих в каждый момент времени.

Такой подход позволяет модели плавно и непрерывно адаптировать своё поведение. В условиях доменного сдвига, когда статистика входных данных меняется (например, изменяется освещение), LTC-блок может динамически подстраивать свои временные константы, чтобы по-прежнему эффективно выделять релевантные признаки поражения, игнорируя вариации фона. Это принципиально отличает такой подход от статичных методов аугментации, которые не могут адаптироваться к новым, невиданным ранее условиям.

Рисунок 1 – Архитектура LTC-U-Net

Механизм пропусков. Как и в классической U‑Net, ипользуются пропуски, которые соединяют соответствующие уровни энкодера с декодером. Это позволяет декодеру использовать как высокоуровневые семантические признаки из bottleneck, так и детальные пространственные признаки из ранних слоёв, что критически важно для точной сегментации границ поражённых участков.

Декодер с глубоким контролем. Декодер последовательно апсемплирует (увеличивает разрешение) карты признаков, восстанавливая исходное разрешение изображения. Для повышения точности и ускорения сходимости мы используем технику глубокого контроля. Это означает, что вспомогательные классификационные головы подключаются к промежуточным слоям декодера, вычисляя потери на разных масштабах. Это помогает модели изучать более релевантные признаки на всех уровнях представления.

Предложенная архитектура LTC-U-Net обладает рядом преимуществ по сравнению с существующими решениями:

Параметрическая эффективность. Как показывают недавние исследования, модели на основе LTC могут значительно превосходить по эффективности более тяжёлые U‑Net и трансформерные архитектуры. Например, архитектура LSS-LTCNet для медицинской сегментации требует всего 25.70 млн параметров [10], демонстрируя при этом превосходные результаты. Это критически важно для развёртывания на мобильных устройствах или дронах в реальных полевых условиях.

Устойчивость к изменениям освещения и текстуры. Механизм LTC, особенно в комбинации с дескрипторами локального самоподобия (LSS), как показано в работе Chatterjee et al. (2026) [10], позволяет явно разделять релевантные ткани и артефакты фона, что напрямую коррелирует с нашей задачей выделения поражений на листьях на фоне почвы или других растений.

Таким образом, предложенная архитектура LTC-U-Net представляет собой не просто модификацию, а качественно новый подход к сегментации в условиях нестационарной внешней среды, обеспечивая основу для создания по-настоящему адаптивных и робастных систем мониторинга здоровья растений.

Заключение. В работе показано, что интеграция жидкостных нейросетей (LTC) в архитектуру U‑Net является многообещающим подходом для повышения робастности сегментации болезней растений в условиях доменного сдвига. В отличие от классических методов, LTC-сети предлагают принципиально иной путь решения проблемы — не через выравнивание распределений признаков, а через внутреннюю динамическую адаптацию к изменяющимся входным условиям, что коррелирует с их доказанной способностью к обобщению вне распределения обучения. Полученные теоретические обоснования и планируемые эксперименты позволяют надеяться на создание практических систем, которые будут одинаково эффективно работать как в лаборатории, так и в реальном поле. Дальнейшие исследования будут направлены на оптимизацию LTC-архитектур для задач сегментации, исследование масштабируемости LNN на больших датасетах, а также на расширение датасета реальных полевых изображений с учётом различных климатических зон и типов культур.