编辑推荐：
为解决小麦病害大规模检测精度低、标注繁琐及适用性受限等问题，研究人员开展基于无人机多光谱图像的无监督域适应语义分割（UDA）研究，提出 DATS-ASSFormer 模型。该模型在多任务中表现优异，助力精准农业发展。
在广袤的麦田里，小麦作为全球重要的粮食作物，其健康生长关乎着人类的 “饭碗”。然而，小麦锈病、赤霉病和黄矮病等病害却如潜伏的 “杀手”，时刻威胁着小麦的产量与质量。以往，人们检测小麦病害主要靠人工，在田间来回奔波，耗费大量时间和人力，效率还不高。后来，计算机视觉和机器学习技术发展起来，给病害检测带来了新希望。不过，传统的图像检测方法需要复杂的人工特征提取，面对大规模、多样化的样本时，就显得力不从心。深度学习虽然在一定程度上提高了检测精度，但在实际农田环境中，由于不同地区和季节的差异，数据分布变化大，这些模型的效果大打折扣。而且，现有的基于无人机（UAV）的检测模型大多只能检测单一病害，无法满足实际需求。
为了解决这些难题，西北农林科技大学的研究人员开展了一项极具意义的研究。他们提出了一种名为 DATS-ASSFormer 的新型无监督域适应语义分割方法，用于从小麦无人机多光谱图像中检测多种病害。该研究成果发表在《Computers and Electronics in Agriculture》上，为精准农业提供了新的解决方案。
研究人员在这项研究中主要运用了以下关键技术方法：首先，使用 DJI P4 Multispectral UAV 采集多光谱图像，其配备的多光谱成像系统可获取多个特定光谱带的高质量图像。其次，构建了西北农林科技大学小麦病害遥感数据集（NWAFU-WDRSD），包含 8628 张受多种病害影响的小麦多光谱图像及像素级注释。再者，设计了 DATS-ASSFormer 模型，由 DATS 模块和 ASSFormer 网络组成。
研究结果
- DATS 模块生成伪标签：研究人员提出的 DATS 模块利用师生架构，在跨域变化中减少标注工作量。通过 ClassMix 算法弥合域差异，并引入伪标签置信度估计机制，增强了模型的鲁棒性，为目标域生成高质量伪标签。
- ASSFormer 网络精准分割：ASSFormer 是一种创新的语义分割网络，集成了双分支卷积神经网络（CNN）、视觉 Transformer 编码器和上下文感知解码器。这种结构能从低分辨率图像中捕捉局部和全局病害特征，且设计轻巧，可在仅 11GB GPU 内存的平台上高效训练，便于在资源受限环境中部署，精准分割病害区域。
- 模型性能评估：通过广泛测试，在六个域适应任务中，DATS-ASSFormer 模型表现出色，平均 Oracle（目标域内监督训练）和 UDA 平均交并比（mIoU）得分分别达到 85.80% 和 65.96%，优于现有模型，显著提高了在实际农业环境中对多种病害的检测精度和鲁棒性。
研究结论与讨论
这项研究成功提出 DATS-ASSFormer 模型，有效解决了小麦病害检测面临的诸多问题。通过 DATS 机制生成高质量伪标签，结合 ASSFormer 的双分支编码器捕捉病害特征，大幅提升了检测能力。其意义不仅在于提高了小麦病害检测的准确性和效率，还为精准农业提供了可扩展、高效的解决方案。该模型在不同病害和复杂环境下的良好表现，使其具有广阔的应用前景，有望在实际农业生产中发挥重要作用，帮助农民及时发现并防治病害，保障全球粮食安全。
