Frontiers in Plant Science·9月1日 · 周二论文智慧农业 / 农业物联网阅读 1
CFAEVM-UNet: cross-fusion attention enhanced VM-UNet for UAV image segmentation of small and dense field crop pests
Guohong Qi · Jing Zhang · Shanwen Zhang
论文解读
78精选
速览
提出CFAEVM-UNet模型，用于无人机图像中密集小害虫的精确分割。
方法
结合VSS块、LG-SCGA模块和MSCWA模块，增强多尺度特征融合与通道注意力
发现
在集成数据集上mIoU达81.23%，DSC达83.67%，比U-Net高8.89%。
机会点
可探索模型在更多作物害虫种类和不同无人机高度下的泛化性，以及轻量化设计以适配边缘设备。
影响力18
信息增量22
专业深度18
信源权威13
时效性7
提出针对无人机图像小目标害虫分割的新模型，性能显著提升，对精准农业有实用价值。
原文摘要
无人机图像中密集小尺度农作物害虫的精确分割仍面临挑战，原因在于卷积神经网络（CNN）中长距离依赖建模能力有限，以及视觉Transformer（ViT）中的二次复杂度问题。尽管VM-UNet能够高效捕获全局上下文，但其在局部纹理细节和小目标多尺度特征整合方面存在不足。为解决上述局限，本文提出CFAEVM-UNet（CrossFusion Attention Enhanced VM-UNet），该模型融合了三个核心模块：用于高效长距离依赖建模的视觉状态空间（VSS）模块、用于多尺度门控注意力融合的局部-全局空间-通道门控注意力（LG-SCGA）模块，以及用于跨阶段通道重加权的多阶段通道注意力（MSCWA）模块。在综合数据集（IP102子集结合无人机拍摄的田间图像）上进行的大量实验表明，CFAEVM-UNet达到了最先进的性能，其平均交并比（mIoU）为81.23%，Dice相似系数（DSC）为83.67%，相较于U-Net在mIoU上提升了8.89%。本研究为精准农业中的自动化害虫监测提供了一种有效且实用的解决方案。
信源（1 个）