综述：基于无人机深度学习的木薯病害监测与检测进展：模型、成像技术与农业应用综述

这篇综述系统评述了无人机(UAV)与深度学习(DL)在木薯病害监测中的前沿应用，重点对比了Transformer架构(ED-Swin)与迁移学习模型(Inception v3)的性能差异。文章揭示了ED-Swin在复杂田间条件下的高精度分类优势(94.32%准确率)与Inception v3在移动端部署的实用性，为构建"无人机-移动端"协同监测框架提供了关键技术路线。

　　

无人机与深度学习联袂革新木薯病害监测

引言

木薯(Manihot esculenta Crantz)作为撒哈拉以南非洲地区的重要粮食作物，长期受到木薯花叶病(CMD)和木薯褐条病(CBSD)的威胁，每年造成超过10亿美元的经济损失。传统人工检测方法效率低下且可靠性不足，而搭载RGB/多光谱传感器的无人机(UAV)结合深度学习技术，正在重塑病害监测范式。

技术革新双路径

研究呈现两种技术路线：专为无人机影像设计的ED-Swin Transformer架构，采用多尺度注意力(EMAGE模块)和可变形卷积(DASPP模块)，在叶片遮挡、光照不均等复杂场景下实现94.32%分类准确率；而基于Inception v3的迁移学习方法，仅需500张/类的小样本即可达到98%的CBSD识别率，已成功部署至非洲农民使用的智能手机端。

模型性能对决

对比实验显示：ED-Swin在无人机影像分类中全面领先，其96.52%的F1-score显著高于ResNet-50(89.5%)和ViT-L(92%)，尤其擅长识别不规则病斑形态；而Inception v3在叶片数据集表现优异，通过支持向量机(SVM)分类器对CMD识别率达96%。Grad-CAM可视化证实ED-Swin能精确定位病斑区域，而传统CNN易受背景干扰。

技术瓶颈突破

针对田间复杂环境，ED-Swin的创新设计包括：

• •

  分层移位窗口机制，平衡局部细节与全局特征

• •

  可变形卷积核自适应病斑形态

• •

  49.3M参数量实现精度与效率平衡(9.3 GFLOPs)

  相比之下，Inception v3依赖预训练特征，在无人机影像泛化性较弱，但对硬件要求更低。

农业应用前景

无人机-深度学习系统已展现三大优势：

1. 1.

   早期检测：多光谱成像比人工目检提前2周发现CMD症状

2. 2.

   规模覆盖：单次飞行可监测20公顷农田，效率提升50倍

3. 3.

   决策支持：结合热成像数据可预测病害传播趋势

未来发展方向

研究建议重点开发：

• •

  CNN-Transformer混合架构

• •

  多模态数据(RGB+LiDAR+热成像)融合

• •

  持续学习机制应对病原体变异

• •

  边缘计算设备部署方案

结语

这项技术革新标志着植物保护进入智能化时代——从高空无人机的大范围筛查到农民掌上设备的即时诊断，形成完整的数字防控链条。随着模型轻量化和多源数据融合技术的发展，深度学习驱动的精准农业将为全球粮食安全提供关键支撑。