小麦倒伏区域检测的空间自感知算法UssNet：融合UNet与状态空间模型的创新方法

本文提出了一种创新的UssNet算法，通过结合UNet的语义分割优势与状态空间模型（SSM），实现了小麦倒伏区域的高效检测。该算法引入局部辅助机制和Focal Loss函数，解决了传统方法在全局上下文感知和小样本识别上的局限性，测试集像素精度（PA）达0.971，mIoU为0.931，为灾害评估和产量预测提供了新工具。

　　

亮点

当前关于倒伏区域检测的研究大多忽略了全局上下文和空间感知对模型性能的影响。本研究评估了UssNet模型的全局感知能力（如第2.3节所述）及其增强的倒伏区域理解能力。本节展示了实验结果。

应用分析与局限性

UssNet在小麦倒伏检测中展现出强大的实际应用潜力，其分割精度高（像素精度：0.971）且在不同场景下表现稳健。该模型特别适用于灾后快速评估、农业保险理赔、育种项目中的品种抗性筛选及农场管理决策支持。这些应用受益于UssNet精准划定倒伏边界和区分不同程度倒伏的能力。

结论

本研究提出了基于视觉曼巴块（Visual Mamba）的UssNet小麦倒伏分割网络，采用UNet式架构。主要发现如下：

1. 1.

   基于UNet主干网络设计UssNet，整合MCC块、CCR块和SSModule块，并用SSM替代传统卷积层（Conv块）。该架构能有效检测多种条件下的倒伏区域。

作者贡献声明

张军：概念设计、软件实现、数据分析、调查、初稿撰写与可视化；吴强：概念设计、软件实现、数据分析、调查、初稿撰写与可视化；段凤辉：方法论与稿件修订；冯明正：方法验证与软件调试；刘翠平：方法论支持；戴丽：方法论指导。

利益冲突声明

作者声明无已知可能影响本研究的财务或个人利益冲突。

致谢

本研究受国家重点研发计划（2024YFD2301100）、国家自然科学基金（32401705, 42371373）、中国博士后科学基金（GZC20230721）及河南省科技攻关项目（242102111192）支持。