基于无人机影像与通道注意力Transformer的葡萄卷叶病疫情图谱构建研究

针对葡萄卷叶病(GLD)传统检测方法效率低下的问题，研究团队通过无人机(UAV)遥感技术结合改进的YOLOv7-tiny模型（集成新型通道注意力Transformer模块CAT和ASPP），开发了轻量化GLDD检测系统，准确率达88.2%，实现了葡萄园尺度GLD疫情分布图谱的高通量绘制，为葡萄园智慧管理提供了关键技术支撑。

　　

葡萄卷叶病（Grapevine Leafroll Disease, GLD）是威胁全球葡萄酒产业可持续发展的主要病毒性病害，每年造成巨额经济损失。传统检测方法如聚合酶链反应(PCR)和田间调查存在效率低、成本高的问题，而新兴的高光谱技术虽能识别早期感染，却受限于设备专业性和大田部署难度。无人机(UAV)遥感技术为GLD高通量表型分析带来了转机，但空中视角下病株冠层特征与阴影/健康植株相似、细长形态导致的特征提取困难等问题，使得现有检测方法准确率不足。

宁夏贺兰山东麓葡萄产区的科研团队针对这些挑战，开发了基于深度学习的GLD检测系统GLDD。研究通过改造YOLOv7-tiny模型，创新性地引入通道注意力Transformer模块(CAT)与空洞空间金字塔池化(ASPP)的组合结构，有效捕获细长冠层的长程依赖特征；同时采用无参数注意力模块SimAM缓解不同严重度病株的特征混淆问题。团队构建了包含3246株感染GLD的赤霞珠葡萄(UAV影像数据集，覆盖0.067 km²)，通过消融实验验证各模块贡献。

关键技术包括：1) 基于无人机多光谱影像的冠层级GLD标注；2) 融合CAT与ASPP的特征增强网络；3) 轻量化模型部署策略。其中CAT模块通过并行通道频率域和空间子空间注意力机制，显著提升细长目标的特征分辨能力。

【研究结果】

1. 模型性能对比：GLDD以88.2%准确率超越YOLOv7-tiny(3.1%提升)和YOLOv6-tiny(6.5%提升)，在YOLOv5/YOLOX等单阶段检测器中表现最优，推理速度较Faster-RCNN和SwinT提升2-3倍。
2. 模块有效性：消融实验显示CAT+ASPP组合使细长目标检测AP提升4.7%，SimAM模块缓解了轻度感染样本的误检问题。
3. 田间应用：基于检测结果生成的GLD疫情分布图，首次实现葡萄园尺度病毒空间传播模式可视化。

【结论与意义】
该研究突破了冠层级GLD检测的技术瓶颈：1) 提出的CAT模块为农业细长目标检测提供了新思路；2) 轻量化设计(仅7.6M参数)使系统可部署于无人机边缘设备；3) 疫情分布图谱为精准修剪和病毒溯源提供了决策依据。论文发表于《Computers and Electronics in Agriculture》，标志着无人机遥感与深度学习在植物病理学应用的重大进展，未来可通过跨尺度数据融合进一步优化早期感染识别能力。