基于无人机航拍图像的菠萝小目标增强框架及其在精准农业信息获取中的应用

【编辑推荐】本研究提出Pineapple-Aerial-YOLO框架，通过小目标增强层（超分辨率技术）和精准检测层（线性可变形卷积LDC3K2+上下文锚点注意力CAA模块），解决无人机航拍中菠萝目标像素占比低（2%-5%）、背景复杂等难题。实验表明，该框架在晴/阴/雨天气下检测精度达83.2%/80.4%/77.3%，无人机高度波动时mAP50仍保持73.2%以上，为生成式AI（Generative AI）提供了高质量农业数据库。

　　

Highlight

本研究针对无人机航拍菠萝图像的小目标检测难题，提出创新性解决方案：

1. 1.

   Pineapple-Aerial-YOLO框架：包含小目标增强层（通过超分辨率技术将4K图像提升至8K）和精准检测层，为生成式AI（Generative AI）提供高质量农业数据库。

2. 2.

   LDC3K2+CAA模块：线性可变形卷积（Linear Deformable Convolution）动态调整感受野，结合上下文锚点注意力（Context Anchor Attention）模块，使模型对不规则形状小目标的检测精度提升27%。

3. 3.

   卓越鲁棒性：在遮挡情况下仍保持75.6%准确率（平均置信度69%），无人机飞行高度5-35米波动时精度稳定在78%以上。

Discussion and conclusion

本研究的双阶段增强架构（方法学层面结合超分辨率预处理与改进的目标检测模型）通过基于图神经网络的IPG模型显著提升小目标纹理细节。实验证明：

• •

  小目标增强层使检测精度持续提升17.9%

• •

  在晴/阴/雨三种天气条件下分别实现83.2%、80.4%、77.3%的精准度

• •

  环境适应性验证：算法在无人机高度波动范围内保持mAP₅₀≥73.2%

（注：翻译严格保留专业术语如mAP₅₀、Generative AI等中英文对照，并采用"感受野""鲁棒性"等生物医学领域常用表述，去除文献引用标识符）