基于Transformer与无人机多光谱成像的水稻异常生长检测方法及其应用研究

本文推荐一种基于Transformer架构的轻量级语义分割模型ARG-TR（Abnormal Rice Growth Transformer），用于无人机多光谱图像中水稻异常生长（如倒伏、稻瘟病、生长不良与缺株）的高精度识别。该模型融合层次化编码器与轻量化解码器，在大型数据集（含378,000+图像）上实现了64.8%的交并比（IoU），显著优于MaskFormer、KNet等基线模型，为智慧农业中的作物异常实时监测提供了高效解决方案。

　　

亮点 (Highlights)

• •
  通过综合性数据处理与高效后处理流程生成精确的多光谱正射影像。
• •
  构建大规模无人机遥感数据集，包含超过378,000张图像。
• •
  优化绿光、近红外与红边波段的光谱融合策略，提升图像质量以精准识别水稻异常生长。
• •
  提出轻量化Transformer系统，可同步识别四种水稻异常生长症状。

讨论 (Discussion)

本研究旨在开发一种高效且鲁棒的深度学习框架，用于水稻异常生长检测。我们在大型人工标注的无人机数据集上评估了多种分割架构。实验表明，基于Transformer的架构（如SegFormer和MaskFormer）相比其他基于CNN的模型（如DeepLabv3、U-Net）实现了更高的分割性能。这一结果与近期研究一致，凸显了Transformer在捕捉长程依赖与全局上下文信息方面的优势，尤其适用于农业场景中复杂异常模式的识别。

结论与未来工作 (Conclusions and future works)

本研究提出了ARG-TR——一个基于Transformer的分割框架，专为利用无人机影像识别水稻异常生长模式而设计。该模型在包含378,074张高分辨率图像的大规模数据集上训练，覆盖四种常见异常（倒伏、稻瘟病、生长不良和缺株）。通过结合层次化Transformer架构与策略性数据增强流程，ARG-TR在准确率与计算效率方面均表现优异，为未来农业遥感中的实时异常诊断提供了可靠基础。