番茄是一種廣泛種植的作物，具有烹飪和藥用價值。它容易受到各種病蟲害的影響，特別是影響葉子，傳統的病蟲害辨識方法是由人類的主觀判斷，其缺點為效率低且不可靠。

　　研究人員開發了多種影像處理技術/方法，來克服準確檢測微小或模糊的疾病症狀限制，包括最佳化模型和採用先進演算法，2023年5月，Plant Phenomics發表了題為「An effective Image-Based Tomato Leaf Shipmentation Method Using MC-UNet 」的研究文章。

　　該研究引入跨層注意力特徵融合機制(CAFM)並結合多尺度卷積模組(MC-UNet)，這是一種基於UNet的增強型影像分割方法，能精確定位番茄葉片上的病害位置，有效提取特徵訊息來獲取有關番茄病害的多尺度資訊。

　　與 UNet 中原始的 MaxPool 相比，使用 SoftPool 作為池化層在網路效能方面表現出顯著的改進。其中 CAFM 實現了最顯著的改進，研究表示，MC-UNet 在不同光照環境下的穩健性程度優於基線網路 UNet 的性能，特別是在微小和邊緣模糊的葉子疾病方面，具有很強的泛化能力。然而，在處理複雜背景時表現出局限性，表明未來的研究有必要集中在多層分割模型和複雜背景資料集上，以增強模型的抗干擾能力。