编辑推荐：
针对无人机（UAV）高空拍摄小麦赤霉病（FHB）图像纹理模糊、田间环境多变致分割误差问题，研究人员构建超分辨率网络 HCAN 与分割网络 REGN。结果显示 HCAN 提升图像清晰度（PSNR 29.056 dB，SSIM 0.9142），REGN 分割精度达 mIoU 77.93% 等，为病害检测提供新方案。
小麦作为全球重要粮食作物，每年面临多种病害威胁，其中赤霉病（Fusarium head blight, FHB）尤为棘手。这种由镰刀菌引起的病害主要侵染麦穗，不仅导致全球小麦产量损失达 15%-20%，还会产生脱氧雪腐镰刀菌烯醇等毒素，威胁人畜健康。当前，利用无人机（Unmanned Aerial Vehicle, UAV）进行作物病害检测已成为趋势，但其高空拍摄时图像分辨率低、纹理模糊，且田间环境复杂（如植株高密度重叠、阴影、过曝）易导致分割漏检或误检，传统两阶段检测（目标检测 + 阈值分割）流程繁琐且效率不足，亟需更精准高效的解决方案。
为突破上述瓶颈，来自中国的研究团队（未明确具体单位）开展了相关研究。他们提出一种基于无人机图像超分辨率（Super-Resolution, SR）与感受野增强门网络的小麦穗部赤霉病侵染分割方法，相关成果发表在《Computers and Electronics in Agriculture》。该研究通过提升图像质量与优化分割网络，显著提高了赤霉病检测的准确性与效率，为智慧农业病害监测提供了新范式。
研究采用的关键技术包括：
- 超分辨率网络 HCAN（Hierarchical Context Aggregation Network）：融合 Transformer 架构与递增卷积核，通过层级上下文聚合增强高空无人机图像的纹理细节，解决低分辨率导致的特征模糊问题。
- 感受野增强门网络 REGN（Reception Enrichment Gate Network）：集成双门机制与多尺度空洞卷积，通过局部与邻域门操作增强特征表达，同时利用多尺度卷积捕获不同大小的病害区域，提升复杂场景下的分割精度。
研究结果
1. HCAN 超分辨率性能验证
通过对比当前先进方法，HCAN 在小麦无人机图像超分辨率任务中表现优异，峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）达 29.056 dB，结构相似性指数（Structural Similarity Index, SSIM）为 0.9142，显著提升了图像的清晰度与细节保留能力，为后续分割任务奠定了高质量数据基础。
2. REGN 分割性能评估
在赤霉病侵染区域分割中，REGN 展现出优于传统分割网络的性能：平均交并比（Mean Intersection over Union, mIoU）为 77.93%，平均像素精度（Mean Pixel Accuracy, mPA）87.43%，平均骰子系数（Mean Dice Coefficient, mDC）87.06%。尤其在高密度、重叠、阴影及过曝等复杂场景下，通过双门机制抑制无关信息、增强有效特征，结合多尺度卷积捕获多维度病害特征，显著减少了边缘模糊、漏检和误检问题。
3. 方法有效性验证
研究通过对比实验证明，HCAN 与 REGN 的结合可有效解决无人机图像分辨率与检测效率的矛盾。相较于传统两阶段方法，该单阶段分割框架简化了流程，同时通过超分辨率预处理与门控机制优化，在保持检测速度的前提下显著提升了精度，为田间快速病害监测提供了技术可行性。
结论与讨论
本研究构建的 HCAN-REGN 框架为无人机图像的小麦赤霉病检测提供了可靠方案。HCAN 通过层级上下文聚合与 Transformer 架构，在无需显著增加计算成本的前提下实现了图像细节增强；REGN 则通过双门机制与多尺度卷积，有效应对了田间复杂环境下的分割挑战。实验结果表明，该方法在多种评价指标上优于现有技术，尤其在边缘细节保留与复杂场景适应性方面表现突出。
该研究的意义不仅在于提升小麦赤霉病的检测精度，其提出的超分辨率与门控网络结合的思路，还可推广至其他作物病害（如锈病、叶斑病）或农业场景的图像分析中，为智慧农业中遥感技术的应用提供了新的技术路径。未来，结合更高效的轻量化模型设计，有望进一步推动该技术在田间地头的实际部署，助力全球粮食安全保障。
