《Smart Agricultural Technology》：WF-U-Net: A Multi-Scale U-Net for Wheat Breeding Plot Extraction from UAV Imagery
编辑推荐：
研究人员提出了一种用于从无人机RGB影像中自动勾画小麦育种小区的语义分割框架。其中，多尺度卷积模块（MSCM）在多个感受野下聚合了小区级别及其周围的上下文信息。多尺度特征融合模块（MSFFM）融合了多尺度解码器特征，以改善密集分布育种小区的边界分割性能。对小麦
研究人员提出了一种用于从无人机RGB影像中自动勾画小麦育种小区的语义分割框架。其中，多尺度卷积模块（MSCM）在多个感受野下聚合了小区级别及其周围的上下文信息。多尺度特征融合模块（MSFFM）融合了多尺度解码器特征，以改善密集分布育种小区的边界分割性能。对小麦全生育期的分析揭示了从分蘖期到成熟期分割难度的系统性变化。
论文解读文章
研究背景与问题
小麦是全球粮食安全的基石作物，开发高精度、高通量的田间表型自动化获取技术对于提升产量潜力、抗病性和环境适应性至关重要。传统育种追踪方法耗时费力，难以精确理解作物生长环境。尽管卫星遥感可覆盖大面积区域，但其空间分辨率不足，混合像素干扰严重，无法满足厘米级育种小区精细边界的识别需求。现有农田地块分割方法包括图像处理算法（如阈值分割、区域生长）和传统机器学习方法（如支持向量机SVM、马尔可夫随机场MRF），但这些方法高度依赖纹理或强度信息，预处理繁琐且泛化能力有限。深度学习方法如DeepLabV3+和U-Net虽已应用于遥感图像分割，但前者训练推理速度慢，后者在下采样过程中易丢失局部信息和长距离依赖，导致分割完整性受限、边界精度不足。因此，亟需设计一种专用于无人机（UAV）影像中小麦育种小区自动提取的多尺度融合网络，以兼顾不同尺度目标特征学习与边界优化。
研究内容与结论
研究人员提出了一种名为WF-U-Net的新型多尺度U-Net网络，用于从无人机RGB影像中自动提取小麦育种小区。实验在浙江大学余杭农业试验站进行，共包含367个小麦育种小区（每个小区0.8 m×1.2 m），于2023年2月至5月采集了覆盖分蘖期、拔节期、开花期和成熟期四个物候阶段的无人机影像，经正射拼接后生成3600张512×512像素的图像块，并按地理分区非重叠地划分为训练集（60%）、验证集（20%）和测试集（20%）。研究结果表明，所提出的MSCM和MSFFM模块能够有效增强多尺度特征学习能力并显著提升边界分割性能，在全生育期数据集上取得了优于对比方法的整体精度（Acc）、平均像素精度（mPA）、平均交并比（mIoU）和边界F1分数（BF1）。
关键技术方法概述
研究人员主要采用了三个关键技术方法：第一，提出了多尺度卷积模块（MSCM），嵌入编码器下采样层中，通过多个并行卷积分支在不同感受野下同时提取小区内部及其周围上下文信息；第二，设计了多尺度特征融合模块（MSFFM），置于解码器末端，将不同尺度的解码特征进行自适应加权融合，以减少全局池化带来的信息损失并增强像素级注意力，从而优化边界分割；第三，采用基于地理分区的非重叠数据划分策略，确保同一育种小区的所有图像块被分配到同一数据子集，避免空间信息泄漏。
研究结果
2.1 研究区与田间试验
研究区位于浙江省杭州市浙江大学余杭农业试验站（119.63°E，30.89°N），属典型亚热带季风气候区，夏季炎热潮湿（平均约28℃），冬季寒冷（平均约4℃）。试验田共含367个小麦育种小区，每小区规格0.8 m×1.2 m，种植10行小麦，行距0.1 m，小区间距0.4 m。
2.2 数据采集与预处理
使用DJI Phantom 4 Pro无人机在15米高度飞行，航向和旁向重叠率均为80%，通过Pix4Dmapper软件结合地面控制点生成数字正射影像图（DOM）。2023年2月至5月共完成10次飞行任务（拔节期4次，其余各期2次），覆盖分蘖、拔节、开花、成熟四个物候阶段。DOM被裁剪为512×512像素的切片（步长128像素），共获得3600张图像切片。按地理分区将整个试验田分为三块互不重叠的区域，分别分配给训练集（60%）、验证集（20%）和测试集（20%）。使用LabelMe工具进行像素级标注，育种小区标记为前景，其余为背景。训练集经随机旋转、水平/垂直翻转、缩放（0.9~1.1）和高斯噪声（σ=0.01）增强至10800个样本。
2.3 评估指标
采用总体精度（Acc）、平均像素精度（mPA）、平均交并比（mIoU）和边界F1分数（BF1）四项指标进行评估。其中Acc、mPA和mIoU用于评价区域级分割性能，BF1专门量化预测边界与真实边界的一致性。
讨论与结论
讨论部分指出，传统方法在厘米级、边界敏感的小麦育种小区分割任务中存在明显局限，而WF-U-Net通过MSCM和MSFFM两个创新模块有效解决了多尺度特征聚合与边界细化问题。全生育期分析表明，从分蘖期到成熟期，分割难度呈现系统性变化，这主要与不同物候期冠层覆盖度和纹理差异有关。研究人员认为，该方法不仅适用于小麦育种小区提取，也为其他农作物精细地块分割提供了通用框架。
研究结论： 研究人员提出了一种新颖的无人机影像育种小区自动提取技术——WF-U-Net。通过在编码器下采样层中嵌入多尺度卷积模块（MSCM），增强了网络对不同尺度目标的学习能力。设计的解码端多尺度特征融合模块（MSFFM）优化了边界分割性能，减少了全局池化造成的信息损失并增强了像素级注意力。
