《Artificial Intelligence in Agriculture》:UAV-based monitoring of residual plastic film pollution in cotton fields before sowing with AIC-UNet
编辑推荐:
本研究针对棉田残膜污染监测中存在的识别精度低、采样路径匹配差等难题,创新性地提出结合改进ASPP、CBAM和InceptionV4模块的AIC-UNet模型,有效克服光照变化干扰,实现播种前棉田残膜污染的快速精准监测。通过几何中心辐射采样法优化无人机路径规划,路径优越度达100%,显著提升监测效率。该研究为农田白色污染治理提供了可靠的技术支持,对推动农业可持续发展具有重要意义。
在干旱半干旱地区,地膜覆盖技术因能显著提高作物水分利用效率、防控病虫害而广泛应用,但长期使用导致残留塑料薄膜在土壤中大量积累。这些残膜破坏土壤团粒结构,阻碍水气交换,降低土壤肥力,抑制作物根系生长,最终导致作物减产,成为亟待解决的土壤环境问题。目前残膜污染评估主要依赖人工采样,存在耗时费力、效率低下等不足,难以满足大范围监测需求。
为突破这一瓶颈,石河子大学机电工程学院的研究团队在《Artificial Intelligence in Agriculture》发表论文,提出了一种融合无人机技术与深度学习的新方法。该研究通过优化无人机采样路径规划,构建了能够有效抵抗光照干扰的AIC-UNet模型,实现了播种前棉田残膜污染的快速自动监测。
研究团队采用几何中心辐射采样法设计无人机飞行路径,结合Held-Karp算法实现采样点动态调整与田块边界精确匹配。在模型构建方面,创新性地将改进的ASPP(空洞空间金字塔池化)、CBAM(卷积块注意力模块)和InceptionV4结构集成到U-Net网络中,形成AIC-UNet模型。该模型能有效提取复杂光照条件下的残膜特征,其中改进的ASPP模块通过调整空洞率(3、6、12、24)增强多尺度特征捕获能力,CBAM注意力机制通过通道-空间双注意力突出残膜关键特征,InceptionV4网络则提升模型对不同光照条件的适应性。
2.1 数据采集与处理
研究在新疆棉田残膜污染严重区域,利用大疆Mavic 3 M无人机采集图像数据。通过设置不同飞行高度(5米)和拍摄角度(90°),获取了720幅有效图像,并按光照强度分为强光、正常光和弱光三类。数据集随机划分为训练集、验证集和测试集(8:1:1),并进行翻转、裁剪、亮度调整等数据增强处理。
2.2 路径规划算法比较
研究对比了贪心算法、模拟退火、遗传算法、蚁群算法和Held-Karp算法在五块棉田中的表现。结果表明,Held-Karp算法在保证找到全局最优解的同时,平均路径规划时间仅需0.06963秒,路径优越度D达到100%,显著优于其他算法。
2.3 模型性能验证
AIC-UNet模型在测试集上达到了88.59%的mIoU(平均交并比)和90.34%的F1-Score。与U-Net、DeepLabV3+等模型相比,其分割精度提升显著。在不同光照条件下,模型对残膜覆盖率的预测值与人工标注值线性拟合的R2达到0.968,显示出高度一致性。
3.1 模块贡献分析
改进的ASPP模块使mIoU提升2.27%,CBAM注意力机制提升1.91%,InceptionV4网络提升2.35%。三模块组合后,模型综合性能最优,证明了多模块协同的有效性。
3.2 实际田间测试
在真实棉田环境中,AIC-UNet模型对残膜覆盖率的预测与人工测量结果平均相对误差仅为4.7%,验证了模型的实用性和可靠性。
该研究通过无人机采样优化与深度学习模型创新,成功解决了残膜污染监测中的光照干扰、识别精度低等关键技术难题。AIC-UNet模型在复杂田间环境下表现出优异的适应性和准确性,为农田残膜污染评估提供了高效解决方案。研究者还指出,未来工作可进一步优化模型轻量化设计,提升大范围监测效率,并将该方法推广至其他作物领域的残膜监测中。这一研究成果对推动农业可持续发展、保护农田生态环境具有重要实践价值。