基于CSPNet-FPN-PAN架构的无人机正射影像多尺度橄榄树冠检测方法及其在精准农业中的应用

本研究针对传统农业监测方法效率低下、难以应对复杂果园环境的问题，开发了一种融合CSPNet、FPN-PAN和DropBlock的深度学习架构，通过多尺度图像分割（1×1至9×9）和无人机高分辨率正射影像（1.78 cm/pixel）分析，实现了橄榄树冠的精准检测（精度92.47%，召回率91.40%，mAP@0.5达94%），为精准农业中的作物监测与资源管理提供了高效解决方案。

　　

橄榄树种植是地中海地区农业经济的重要支柱，但传统人工监测方法效率低下且难以应对树冠尺寸差异、枝叶重叠等复杂场景。随着无人机(UAV)和人工智能技术的发展，基于深度学习的对象检测为精准农业带来了新机遇。然而，现有模型在检测多尺度树冠时仍面临小目标识别困难、背景干扰等问题。为此，来自摩洛哥研究团队在《Smart Agricultural Technology》发表研究，提出了一种融合跨阶段部分网络(CSPNet)、特征金字塔网络(FPN)和路径聚合网络(PAN)的创新架构，结合DropBlock正则化技术，显著提升了无人机正射影像中橄榄树冠的检测精度。

研究团队采用DJI Phantom 4 RTK无人机采集摩洛哥梅克内斯橄榄园的高分辨率RGB影像（5472×3648像素，GSD 1.78 cm），通过Agisoft Metashape软件生成正交镶嵌图。关键技术包括：1) 多尺度图像分割策略（1×1至9×9网格）；2) CSPNet骨干网络结合多分支卷积（3×3/5×5/7×7核）进行层次特征提取；3) FPN-PAN结构实现双向特征融合；4) 综合损失函数（GIoU Loss、Focal Loss）优化检测性能。

3.1 数据采集
在74.7米飞行高度获取的46张影像（85%重叠率）经正交校正后形成14,791×15,293像素的镶嵌图，为多尺度分析奠定基础。

3.3 架构设计
提出的三级CSPNet结构（32-256滤波器）通过LeakyReLU激活函数提取多尺度特征，FPN自上而下传递语义信息，PAN自下而上增强定位细节。DropBlock模块有效抑制了复杂背景干扰。

4.1 数据标注
人工标注15,246个树冠（25%大、50%中、25%小），结合亮度/对比度调整等数据增强技术，提升模型对光照变化的鲁棒性。

4.4 性能对比
在2048×2048分辨率下，模型以0.085秒的推理速度超越Faster R-CNN、YOLOv10等，达到94.89%的mAP@0.5。其中中等树冠检测精度最高（93.89%），小树冠仍存在提升空间（90.56%）。

5. 讨论与结论
该研究首次将CSPNet-FPN-PAN架构应用于农业树冠检测，通过多尺度训练策略和正交影像分析，解决了树冠尺寸差异、遮挡等关键挑战。尽管当前数据局限于单一果园，但92.47%的精度和87%的mAP@[0.5:0.95]表明其显著优于传统方法。未来通过跨区域验证和季节性数据扩充，可进一步强化模型普适性，为无人机农业监测提供标准化工具。