基于CA-TransUNet++的油茶果实复杂自然环境高光谱信息自动分割与精准提取研究

针对油茶果实复杂生长环境下因枝叶遮挡、果实粘连及背景干扰导致的高光谱信息提取难题，研究人员提出融合坐标注意力(CA)机制与Transformer架构的CA-TransUNet++模型，结合迁移学习与小样本训练，实现MIoU达92.14%的自动分割，并通过光谱聚类解决粘连问题，光谱提取时间显著缩短且R2 达99.03%，为经济作物精准管理提供技术支撑。

　　

油茶作为中国特有的木本油料作物，其果实成熟度实时监测对品质控制至关重要。然而，自然环境中枝叶遮挡、果实粘连和光照变化导致传统人工ROI提取效率低下，而现有深度学习模型在复杂场景下的分割精度不足。针对这一挑战，南京某研究团队在《Computers and Electronics in Agriculture》发表研究，提出创新性解决方案。

研究团队开发了CA-TransUNet++模型，通过整合坐标注意力机制(Coordinate Attention, CA)与Transformer的全局建模能力，结合UNet++的多尺度特征融合优势，显著提升复杂环境下油茶果实的语义分割性能。关键技术包括：1) 使用便携式高光谱设备采集南京地区油茶果实图像；2) 采用迁移学习策略优化小样本训练；3) 引入光谱聚类算法处理粘连果实分割。

图像数据样本采集
在南京溧水区采集油茶果实高光谱图像，样本涵盖不同成熟度及复杂背景条件，为模型训练提供真实场景数据。

模型训练与消融实验结果
训练至26轮时模型收敛，验证集MIoU达92.14%，MPA和Dice分别达96.51%和95.81%。消融实验证实CA模块使目标区域关注权重提升23.6%。

模型优势与局限性
相比传统方法，该模型对遮挡和粘连场景的鲁棒性显著增强，但存在小目标漏检问题。光谱聚类后单个果实光谱提取时间较人工缩短87%，R²
一致性达99.03%。

结论与意义
该研究首次实现自然环境下油茶果实高光谱信息的全自动提取，CA-TransUNet++的创新架构为经济作物精准监测提供通用技术框架。成果可扩展至其他农林作物的原位检测，推动智慧农业技术落地。研究获国家重点研发计划等项目支持，体现了产学研结合的创新价值。