基于无人机多模态分割网络的稻纵卷叶螟胁迫快速检测技术研究

为解决传统无人机监测稻纵卷叶螟(SSB)依赖单一光学数据的局限性，浙江科技学院团队创新性开发了多模态侵染分割网络(MISeg-Net)，通过融合RGB图像与数字表面模型(DSM)数据，实现了91.78% mIoU的精准分割。该研究首次系统验证了DSM作为SSB胁迫生物标志物的有效性，为作物病虫害三维表型监测提供了新范式。

　　

稻纵卷叶螟(Chilo suppressalis, SSB)作为水稻主要害虫，每年造成全球水稻减产超过20%，其幼虫钻蛀茎秆导致"枯心苗"和"白穗"症状，传统监测方法存在效率低、依赖人工采样等瓶颈。虽然无人机(UAV)技术为病虫害监测提供了新思路，但现有方法多局限于RGB图像分析，难以全面捕捉害虫引发的三维结构变化。这一技术空白严重制约了精准防控的实施效率。

浙江科技学院周玉洁团队在《Plant Growth Regulation》发表的研究中，创新性地将无人机多光谱成像与三维建模技术相结合，开发了多模态侵染分割网络(MISeg-Net)。该研究在浙江诸暨实验基地系统采集了水稻关键生育期(孕穗期、抽穗期、灌浆期、成熟期)的8,804幅多光谱和RGB图像，通过数字表面模型(DSM)量化了害虫胁迫下的三维表型变化。核心技术包括：1)基于双分支ResNet-50架构的多模态特征提取；2)融合扩张空间金字塔池化(DASPP)与多视角注意力机制的特征融合模块；3)采用mIoU、PAcc等指标的性能评估体系；4)通过Spearman相关性分析验证模型输出与田间枯心率的相关性。

研究结果部分，"DSM作为SSB侵染结构指标"显示：SSB胁迫导致水稻冠层高度显著降低，成熟期DSM值差异达22.01%，证实了三维形态参数可作为可靠生物标志物。"MISeg-Net消融实验"揭示双模块协同作用使mIoU提升至91.78%，较单模块提高5.05%。"深度学习模型对比"表明RGB+DSM组合性能最优，较传统FCN模型mIoU提升7.8%，且在全生育期保持稳定识别率。"模型虫害率与人工枯心率相关性"证实算法输出与田间数据强相关(R²=0.859)，验证了技术可靠性。

讨论部分强调了三项突破：首次系统证实DSM可量化SSB胁迫程度，为病虫害三维表型研究奠定基础；创建的多模态融合框架解决了传统方法特征冗余问题；提出的侵染指数算法实现了大田虫情无损评估。该技术将无人机监测维度从二维拓展至三维，为构建"空-天-地"一体化智慧植保体系提供了关键技术支撑。未来研究可优化多光谱分支网络结构，并探索时序DSM变化规律以提升早期预警能力。这项研究标志着作物病虫害监测从"平面识别"迈向"立体诊断"的新阶段，对保障粮食安全具有重要实践意义。