SADR-VSS：一种用于轻量级农业目标检测的场景自适应动态路由视觉状态空间模块

《Computers and Electronics in Agriculture》：SADR-VSS: A Scene-Adaptive Dynamic Routing Visual State Space Block for lightweight agricultural object detection

　　

• 提出了一种场景自适应动态路由机制，用于CNN与VSS特征的自适应融合。
• 开发了一种轻量级双分支SADR-VSS架构，用于局部纹理与长距离依赖建模。
• 大量实验验证了SADR-VSS的有效性，包括路由和插入分析。
• TensorRT加速实现了在NVIDIA Jetson Orin NX边缘平台上高效实时推理。

## 引言

精准农业的可持续发展依赖于对作物生长状态和杂草分布的实时高精度监测（Pai等，2024）。然而，现实农业田野场景具有高度非结构化特征，给自动检测系统带来了挑战，包括光照波动、作物与杂草之间的高光谱和形态相似性，以及茂密枝叶造成的遮挡（de Silva等，2021）。这些问题在高密度种植区域尤为明显，叶片遮挡往往会掩盖幼苗或杂草的判别性特征（Gursoy等，2024）。此外，田间光照的动态变化进一步增加了特征提取的难度。小目标检测仍是另一项挑战，因为此类目标占据的像素区域非常有限，在复杂场景中容易被忽视（Wang等，2024）。近期的遥感研究探索了不同的策略来改进复杂观测条件下小型及早期野火目标的检测，包括动态上下文自适应融合（Zhang等，2026）、多源信息整合（Zhang等，2025），以及空间、时间和光谱信息的联合使用（Zhang等，2023）。这些研究强调了利用上下文和互补信息进行小目标检测的重要性，这对于目标可能占据有限图像区域、在异质背景下呈现显著外观变化的农业场景同样适用。更重要的是，这些挑战具有空间异质性，导致农业场景不同区域的特征特性存在显著差异，使得统一的表示策略难以有效处理复杂农业场景中的所有区域。因此，深度学习凭借其相比手工设计方法更强的特征表示能力和灵活性，已成为解决这些问题的主导方法（Kamilaris和Prenafeta-Boldú，2018）。

传统的卷积神经网络（CNNs），包括YOLO系列（Khanam和Hussain，2024a，Yaseen，2024，Khanam和Hussain，2024b）、Faster R-CNN（Ren等，2017）和RetinaNet（Lin等，2017b），凭借其高效的局部特征提取能力和成熟的归纳偏置，已成为农业目标检测领域的主导范式（Abade等，2021）。在这些检测器中，YOLOv5/v8以其在实时目标检测应用中优越的推理效率而著称（Khanam和Hussain，2024a，Yaseen，2024）。这种效率使其适用于实际农业部署场景，包括基于无人机的杂草检测应用（Bhandari和Etienne，2026）。然而，CNN架构固有的局部连通性导致特征表示主要受局部纹理信息主导，在渐进式下采样过程中导致小目标的细粒度细节丢失，并限制了模型对解决复杂遮挡关系所需的长距离上下文依赖关系的建模。尽管膨胀卷积（Wang等，2018）、特征金字塔网络（Lin等，2017a）以及CBAM和SE-Block等注意力机制（Woo等，2018，Hu等，2018）已被引入以扩展感受野或增强特征表示，但这些改进本质上受限于静态固定网格采样，缺乏自注意力机制的内容感知动态全局交互能力。因此，基于CNN的方法在复杂农业场景中往往由于过度依赖局部纹理线索而出现判别性模糊，尤其是在处理遮挡目标和密集植被时。这些局限性表明，复杂农业场景需要互补的表示机制，能够根据不同区域的表示需求自适应地协调局部纹理信息和长距离上下文依赖关系。

为了弥补CNN感受野的局限性，视觉Transformer（ViTs）已被引入视觉任务。ViT（Dosovitskiy等，2020）和DETR（Carion等，2020）首次展示了Transformer架构在图像分类和目标检测中的潜力，而Swin Transformer（Liu等，2021）通过移位窗口机制建立了有效的跨窗口长距离依赖关系，改善了复杂遮挡条件下的检测性能。后续工作如MaxViT（Tu等，2022）和PVT（Wang等，2021）进一步优化了空间建模和多尺度特征融合。然而，Transformer架构在实际部署中仍面临严重挑战：标准全局自注意力机制具有O(N2)的复杂度，即使使用线性变体，其内存占用和计算延迟对于农业场景中典型的高分辨率图像而言仍然高得令人望而却步，使得在无人机和边缘设备上进行实时部署变得困难（Tay等，2023）。此外，Transformer缺乏CNN固有的强归纳偏置，需要大量预训练数据才能收敛（Xie等，2024），这严重限制了其在数据稀缺的农业场景中的适用性。

近年来，状态空间模型（SSMs）作为一种高效序列建模的有效范式崭露头角，因为它能够以线性计算复杂度捕获长距离依赖关系。除了视觉任务之外，基于SSM的方法也在各个领域中得到探索，展示了其在建模复杂序列和空间结构方面的灵活性。例如，EIVS（Liu等，2024）引入了用于非配对内窥镜图像虚拟染色的状态空间生成框架，展示了SSM在建模复杂视觉结构方面的潜力。在时间序列预测领域，多尺度周期残差状态空间模型（J. Wang等，2025）通过将多尺度周期表示融入状态空间建模，进一步提升了长期预测能力。近期，Mamba架构通过引入输入依赖的选择性扫描机制，进一步推进了SSM在实际应用中的发展。Mamba（Gu和Dao，2024）引入了选择性扫描机制（S6），实现了序列建模的线性时间复杂度，并实现了内容感知的长距离依赖捕获，从而解决了传统SSM的局限性。VMamba（Jiao等，2024）通过交叉扫描策略将该架构适配到二维视觉任务中，后续研究如Vmamba-YOLO（Z. Wang等，2025）、MambaDet（Bai等，2024）和LocalMamba（Huang等，2025）进一步验证了SSM在目标检测中的有效性。值得注意的是，在农业视觉任务中，基于Mamba的模型在捕获长距离上下文依赖关系的同时保持了计算效率，为处理复杂农业场景提供了一种有前景的解决方案（Zhao等，2024，Zou等，2026）。然而，现有基于Mamba的视觉架构对异质农业环境的适应性仍未得到充分探索。

尽管基于Mamba的视觉架构在通用视觉任务中展现了令人瞩目的性能，但它们对复杂农业环境的适应性仍未得到充分探索。大多数现有的基于Mamba的检测器通常依赖于预定义的特征处理流水线，在不同场景特征的空间区域中应用相似的表示策略（Rao等，2023）。这种设计可能限制了在异质农业条件下充分利用CNN和Mamba互补优势的能力，因为不同区域对细粒度局部细节和长距离上下文信息的需求可能不同。例如，包含清晰物体边界、叶片或茎干的区域可能更多地受益于局部纹理和边缘建模，而受到遮挡、密集植被或复杂背景交互影响的区域则需要更强的长距离上下文建模来区分目标物体与周围区域。因此，对所有空间区域应用统一的特征建模策略可能导致某些区域局部细节提取不足，或导致其他区域产生不必要的上下文建模。虽然Mamba采用选择性状态空间扫描进行内容感知的序列建模，但其自适应机制主要集中在SSM计算中的状态演化，而非动态选择不同的特征建模路径（Wu等，2018）。因此，局部纹理建模和长距离上下文建模的互补优势无法根据农业场景的空间异质特性得到充分协调。这促使我们提出一种区域自适应特征路由策略，根据不同空间区域的特征动态协调局部和长距离表示。此外，直接增加VSS模块的数量可能会引入额外的计算开销，并增加在资源受限的农业边缘设备上部署的难度（Liu等，2023）。

为了解决这些挑战，我们提出了一种基于场景自适应动态路由（SADR）的轻量级农业目标检测模块，该模块根据不同区域的表示需求自适应地协调局部卷积表示和全局Mamba表示。主要贡献总结如下：

• 提出了一种场景自适应动态路由（SADR）机制，该机制集成了全局复杂性、局部变化、边缘信息和对比度线索，根据场景特征动态平衡CNN和VSS表示。
• 通过整合深度可分离卷积分支进行局部纹理建模和双向VSS分支进行长距离依赖建模，开发了一种轻量级全局-局部互补表示架构，特征表示通过SADR进行自适应协调。
• 对路由策略和模块插入位置进行了全面研究，分析了路由粒度和特征层次对检测性能的影响。
• 在NVIDIA Jetson Orin NX边缘平台上验证了SADR-VSS的部署可行性，展示了其在实时农业视觉应用中的潜力。

## 材料

本研究使用的数据集是基于一个专门设计的自动除草平台采集的，该平台结合了视觉感知、运动控制和边缘计算来执行田间除草任务。图1展示了自动化数据收集和除草系统的架构。系统中使用的Mindvision高分辨率工业相机提供高分辨率、低噪声的RGB图像，确保作物纹理细节被清晰捕获。相机固定在车架上，

## 主要实验结果

如表1所示，SADR-VSS与来自不同架构范式的代表性目标检测方法进行了比较，包括轻量级YOLO系列检测器、基于Transformer的检测器、状态空间增强检测器和面向农业的方法。为了考虑训练过程中的随机变化，所有模型均使用相同的五个随机种子（42、123、777、2026和3407）独立训练。表1中报告的mAP50、mAP50-95、精确度和召回率值为

## SADR-VSS的可解释性分析

为研究所提场景自适应路由机制的有效性，进行了Grad-CAM可视化，以分析YOLOv11n和SADR-VSS在具有挑战性的农业场景下的特征激活行为。如图4所示，YOLOv11n表现出相对分散的激活响应，在某些背景区域出现明显的响应。相比之下，SADR-VSS在目标物体周围产生了更集中的激活，表明特征

## 结论

本文提出了一种场景自适应动态路由视觉状态空间模块（SADR-VSS），用于复杂田间条件下的轻量级农业目标检测。所提方法引入了一种场景自适应路由机制，动态协调局部卷积表示和长距离状态空间建模，从而在异质农业场景中实现更灵活的特征提取。

大量实验表明，SADR-VSS实现了改善的检测

## CRediT作者贡献声明

胡宇硕：撰写初稿、可视化、验证、软件、方法学、调查、概念化。王强：监督、项目管理。

## 利益冲突声明

作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。

胡宇硕 | 王强