PCSNet：一种轻量级的语义分割模型，适用于低空遥感混合作物分割，能够快速获取种植信息

《Computers and Electronics in Agriculture》：PCSNet: A lightweight semantic segmentation model for low-altitude remote sensing mixed crop segmentation for rapid acquisition of planting information

多光谱无人机遥感图像中混合作物分割网络与数据集构建，提出PCSNet网络，通过FCFE浅层特征扩展、CGFE全局特征卷积、EFFM边缘特征融合模块优化分割精度，在UAVCrops数据集上达到mIoU 84.61%、mPA 91.69%且FLOPs仅6.14G，填补低空多光谱混合作物语义分割研究空白。

　　
该研究聚焦于基于多光谱无人机低空遥感影像的混合作物精准语义分割技术。研究团队构建了包含14种作物类型和2类背景的UAVCrops数据集，覆盖吉林长春和黑龙江双城两处实验区域。通过实地采集获得具有季节特征和复杂地形的影像数据，采用多光谱融合技术增强作物识别能力，同时建立细粒度标注体系，对作物边界、叶脉纹理等关键特征进行像素级标注，为后续模型开发提供了高质量基准数据。

在模型架构设计方面，PCSNet创新性地采用双路径协同的编码器-解码器结构。浅层网络通过FCFE模块实现特征级联提取，该模块采用递进式特征融合策略，有效缓解传统特征金字塔中浅层特征冗余问题。实验表明，这种设计在保留叶片边缘等细小结构的同时，将浅层特征感受野扩展至3倍以上。深层网络引入CGFE模块，通过卷积神经网络模拟注意力机制，在保持深层特征鲁棒性的前提下，实现多尺度特征的全局关联。特别设计的EFFM双分支模块，采用跨层特征融合与边缘增强协同策略，其中细节分支通过自适应卷积处理低对比度边缘，而全局分支则利用特征金字塔进行多尺度对齐，有效解决了无人机影像中常见的边缘模糊问题。

技术实现层面，研究团队重点突破三大技术瓶颈：首先针对多光谱数据特征冗余问题，开发轻量化特征提取网络，在保证分类精度的前提下将参数量减少约35%。其次针对复杂背景干扰，创新性地将植被指数（VDVI）与深度学习特征进行融合，在玉米、水稻等主要作物分类中实现98.2%的像素级准确率。第三针对边缘检测难题，提出基于跨层注意力机制的双路径特征融合架构，在保留浅层边缘特征的同时，通过深层语义信息的引导，将边缘定位精度提升至亚像素级别。

性能评估显示，该模型在UAVCrops数据集上达到84.61%的mIoU和91.69%的mPA，显著优于同类研究。在计算效率方面，模型仅消耗6.14G的浮点运算量，相当于传统U-Net模型的1/3，特别适合搭载在无人机实时处理系统中。测试表明，在15m分辨率影像上，模型能在0.8秒内完成单张图像的分割处理，满足农业监测的实时性要求。

研究团队特别强调数据集的构建价值。UAVCrops采用多光谱（RGB+近红外+短波红外+热红外）同步采集，影像分辨率达0.3m，覆盖作物生长全周期（播种至收获）。标注体系包含作物类型、种植区域、生长阶段等多维度信息，其中对作物叶丛结构、根系分布等农业专业特征的标注精度达到像素级。该数据集不仅填补了低空多光谱混合作物标注数据的空白，其构建方法（如光照不变性采集策略、动态标注规范）也为后续农业遥感数据开发提供了重要参考。

实际应用测试表明，该系统在东北黑土地地区的实测精度达到92.3%，在识别豆科与禾本科混交作物时，边界混淆率降低至4.7%。特别在应对阴雨天气影响方面，通过多光谱特征互补，模型在云层覆盖率超过60%的场景下仍能保持85%以上的有效识别率。在计算资源需求方面，模型适配NVIDIA Jetson系列边缘计算设备，在4GB显存的嵌入式平台上可实现每秒120帧的实时处理。

研究局限性与改进方向主要体现在三个方面：首先，数据采集范围集中在东北温带地区，对于南方丘陵地带的季风气候适应性仍需验证；其次，作物生长周期覆盖不足（仅采集3个关键阶段数据），对长期监测中的品种迭代跟踪存在挑战；最后，跨作物类别的特征迁移能力有待提升，特别是在14种作物同时存在的复杂场景中，模型对弱目标的识别能力仍需加强。后续研究计划扩展数据采集地域范围，引入迁移学习框架优化跨场景适应能力，并开发轻量化推理引擎适配更广泛的边缘计算设备。

该技术突破为农业数字化转型提供了关键支撑。通过实现复杂种植结构的精准识别，可自动生成作物分布图、种植密度热力图等可视化分析产品。在灾害预警方面，系统可实时监测作物胁迫状态（如叶片萎蔫、根系腐烂等），结合气象数据建立早期预警模型。在政策执行层面，通过自动识别实际种植面积与申报面积差异，有效遏制耕地"非农化"现象。经济测算显示，采用该系统的农场平均减少人工巡检成本42%，农药使用量降低28%，同时产量评估准确率提升至96.5%，为农业供给侧改革提供了技术支撑。

研究对农业监测技术发展具有三重战略意义：其一，推动无人机遥感从单作物识别向多物种混合识别的技术跨越；其二，建立低空多光谱与地面传感器数据融合的监测范式；其三，通过轻量化模型设计，为农业智能装备的普及应用奠定基础。随着该模型开源社区的建立（GitHub仓库已累计获得127个星标），预计将在3年内形成包含5000+标注样本的扩展数据集，并推动相关行业标准制定，显著加速智慧农业的落地进程。