基于改进Swin-Transformer的小麦全幅收割导航线提取方法研究

本文创新性地提出基于改进U-Net架构的轻量化图像分割模型，通过集成优化Swin-Transformer模块（95.49% MIoU，98.38% MPA）实现小麦收割边界实时检测（55.5 FPS），结合区域重叠与多边形中点拟合方法使导航线平均偏差降至6.46像素，为农业自动化提供高效解决方案。

　　

Highlight亮点

本研究开发了SegWheat——基于改进Swin-Transformer的小麦收割图像分割网络。传统卷积神经网络(CNN)在长序列空间信息获取方面存在局限，而我们的方案通过融合局部卷积操作和U-Net跳跃连接，计算负载降低72%的同时保持特征提取能力。

Discussion讨论

本论文提出的SegWheat网络突破了传统CNN在长序列数据处理和鲁棒性方面的瓶颈。实验证明该网络不仅超越现有基于深度学习的语义分割方法，更显著提升了在复杂农田环境中的适应性。通过轻量化设计（0.68M参数，19.788 GFLOPs），实现了移动终端部署的可行性。

Conclusion结论

1. 1.

   开发了集成局部卷积和跳跃连接的优化Swin-Transformer架构，计算效率提升72%

2. 2.

   创新性采用像素重叠和多边形中点拟合方法，导航线提取精度达行业领先水平

3. 3.

   轻量化网络设计为农业机械实时视觉导航树立新标杆

（注：根据要求已去除文献引用标识，保留专业术语英文缩写和数值单位规范表达，使用_{/^{处理上下标）}}