基于无人机影像的轻量化小麦倒伏分割网络WLUSNet：多尺度特征融合与实时监测新方法

针对小麦倒伏监测中传统方法效率低、现有深度学习模型难以兼顾精度与轻量化的问题，安徽研究人员提出WLUSNet模型。通过混合深度卷积(MC)、通道特征金字塔(CFP)和空间金字塔模块(MC-SP)实现多尺度特征提取，结合特征融合模块(EDFF)提升分割精度。实验表明该模型在自建数据集上达到mIoU 86.9、mPA 93.26，仅4.1M参数量且推理速度26.94 FPS，为农业灾害实时评估提供新方案。

　　

小麦作为全球三大主粮之一，其倒伏灾害会导致减产20%以上。传统人工监测方法效率低下，而卫星遥感受限于云层干扰和低时空分辨率。尽管无人机(UAV)技术为农业监测带来革新，但现有深度学习模型如DeepLabv3+、UNet等在处理复杂田间场景时，难以平衡精度、速度和模型轻量化的需求。特别是在多生育期、多天气条件下，倒伏区域的纹理细节和边界信息易在特征提取过程中丢失，制约了实时灾害评估效果。

安徽研究团队在《Computers and Electronics in Agriculture》发表的研究中，构建了包含晴天/多云、成熟/未成熟等多场景的无人机数据集，提出轻量化分割网络WLUSNet。该模型创新性地融合混合深度分组卷积(MC)与通道特征金字塔(CFP)构建多尺度骨干网络(MC-CFP)，通过空间金字塔模块(MC-SP)增强通道-空间特征交互，并设计跨阶段特征融合模块(EDFF)重建高分辨率特征图。实验采用NVIDIA GTX 3090 GPU平台，以512×512分辨率图像和Adam优化器（初始学习率5×10^?4）进行训练。

研究结果

Study area and data
数据采集于安徽舒城、大观、庐江三地，涵盖两种天气条件和生育期，通过无人机获取高分辨率RGB影像，构建具有时空异质性的倒伏数据集。

Experimental environment
在Ubuntu系统下基于PyTorch框架实现，batch size设为32，采用cos学习率衰减策略，300个训练周期内模型稳定收敛。

Model generalization and pruning analysis
跨场景测试显示，WLUSNet在晴天/多云条件下的mIoU波动小于2%，对不同生育期倒伏的识别准确率达85%以上。模型参数量仅4.1M，较DeepLabv3+减少68%，推理速度达26.94 FPS，满足无人机端实时处理需求。

Conclusions
WLUSNet通过MC-CFP模块缓解特征提取中的信息丢失，MC-SP模块提升多尺度特征利用率，EDFF模块实现跨阶段细粒度特征重建。在自建数据集上超越11种SOTA模型，mIoU达86.9，且对水稻等其他作物倒伏场景展现良好泛化性。

讨论与意义
该研究首次将混合深度卷积与通道注意力机制结合应用于农业图像分割，为解决轻量化模型在复杂农田环境中的部署难题提供新思路。模型开源代码和数据集为后续研究奠定基础，其技术框架可扩展至其他作物灾害监测领域，对智慧农业发展具有重要实践价值。