基于边缘加速改进Mask-RT-DETR的无人机实时小麦倒伏检测研究

为解决传统小麦倒伏监测响应慢、效率低及漏检率高的问题，研究人员开展基于改进Mask-RT-DETR模型与边缘计算的无人机小麦倒伏检测方法研究，通过瓶颈卷积核优化模块（BCKM）、级联分组注意力（CGA）机制和Focal-EIoU损失函数等关键技术创新，实现了97.2%的检测精度和63.2 FPS的检测速度，在Jetson Orin Nano边缘设备上经TensorRT加速后仍保持32.0 FPS实时性能，为精准农业灾害监测提供了高效可靠的技术解决方案。

　　

在全球粮食安全面临严峻挑战的背景下，小麦作为三大主粮作物之一，其产量稳定性直接关系到国计民生。然而，倒伏作为小麦生产中的主要生物胁迫因素，常导致千粒重下降15%-30%，并引发机械化收获困难和品质劣化的连锁反应，对农业生产构成严重威胁。传统田间监测主要依赖人工巡查和机械传感器，存在响应滞后、遮蔽区域漏检和强主观性等技术瓶颈，难以满足大规模高效灾情评估需求。

针对这一难题，西北农林科技大学陕西省农业信息感知与智能服务重点实验室的研究团队在《Smart Agricultural Technology》发表了一项创新性研究，通过融合无人机遥感技术与深度学习模型，开发了一套基于改进Mask-RT-DETR架构的实时小麦倒伏检测系统。该研究针对无人机航拍图像中小麦倒伏的茎秆弯曲角度多样、群体内部遮挡严重和背景干扰复杂等特点，对原有模型进行了三重核心改进：首先设计瓶颈卷积核优化模块（BCKM），采用1×1通道压缩和3×3深度可分离卷积增强茎秆断裂点光谱特征提取；其次嵌入级联分组注意力（CGA）模块，通过将多头注意力机制与级联分组策略相结合，加强茎秆倾角和冠层密度的空间相关性建模；最后将定位损失函数升级为Focal-EIoU损失函数，结合动态样本匹配策略，在保持多尺度特征融合能力的同时提升倒伏边界框回归精度。

研究人员利用配备高分辨率RGB和多光谱传感器的无人机平台采集田间影像构建数据集，包含41,685张有效图像（其中8,337张可见光图像，33,348张多光谱图像），并进一步通过数据增强扩展至104,213张。实验结果显示，改进后的模型精度达到97.2%，较原始模型提升6.7个百分点，检测速度达63.2 FPS。在横向对比实验中，该方法在精度（P）、召回率（R）、平均精度（mAP）和F1分数上均优于Faster R-CNN、SSD、YOLO系列模型及原始Mask-RT-DETR。

在边缘计算性能评估方面，研究团队将模型部署于Jetson Orin Nano嵌入式设备，经TensorRT加速后实现96.3%精度、96.5%召回率和32.0 FPS的实时检测速度，满足田间实时高精度监测需求。结果表明改进模型在保持轻量化架构的同时显著提升了检测精度，为无人机小麦倒伏检测提供了兼顾检测性能与计算效率的完整技术方案。

关键技术方法包括：1）使用DJI Mavic 3M无人机平台采集多模态影像数据；2）构建包含可见光与多光谱图像的数据集并进行标准化处理；3）设计瓶颈卷积核优化模块（BCKM）降低参数量的同时增强特征提取能力；4）开发级联分组注意力（CGA）机制强化空间依赖建模；5）采用Focal-EIoU损失函数优化边界框回归；6）基于TensorRT的模型量化与边缘部署优化。

研究结果方面：

4.1 消融实验表明，BCKM模块将参数量压缩52%至15.6M，推理速度提升62.8%至69.5FPS；叠加CGA模块后mAP@0.5提升10.7个百分点至0.944；最终结合Focal-EIoU损失函数实现0.958 mAP@0.5和0.796 mAP@0.5:0.95的最优平衡。

4.2 跨数据集测试显示，改进模型在可见光（Dataset1）、多光谱-可见光融合（Dataset2）和数据增强集（Dataset3）上均表现优异，特别是在Dataset3上精度提升6.1个百分点至97.2%。

4.3 基准模型对比中，改进模型在所有指标上均超越Faster R-CNN、SSD、YOLO系列及原始Mask-RT-DETR，验证了Transformer架构对小麦倒伏特征长程依赖建模的有效性。

4.4 热力图分析证实改进模块显著增强了对茎秆断裂点区域的特征响应，模型激活区域与茎秆最小外接矩形重合度显著提升。

4.5 边缘部署测试显示，经TensorRT加速后模型在Jetson Orin Nano上实现32.0 FPS实时检测，精度损失仅约1%，证实了轻量化模型在资源受限嵌入式设备上的高效部署可行性。

研究结论与讨论部分强调，该技术框架通过多光谱数据与深度学习模型的结合，实现了复杂场景下的高效检测；模块化改进策略在提升检测精度的同时显著优化计算效率；边缘计算部署为无人机实时巡检提供了重要范式参考。未来研究需进一步探索跨生态区迁移学习机制和多模态数据融合策略，以增强模型在不同地理区域和极端环境下的适应性与鲁棒性。该研究成果不仅为小麦倒伏监测提供了创新解决方案，也为其他农作物病虫害监测和生长状态评估提供了可迁移的技术框架，对推动精准农业发展具有重要意义。