《Computers and Electronics in Agriculture》：Boundary-aware dual-stream network for topology restoration and automated mapping of fragmented mulch films in UAV imagery
编辑推荐：
•提出了基于语义边界的BD-Net双流算法，用于地膜检测。•双流解耦和EdgeLoss技术能够恢复薄膜裂纹的拓扑结构。•集成CBAM算法以抑制复杂农田中的增值背景噪声。•开发了一种自动化工作流程，用于生成可用于地图制作的GIS格式 Shapefile。•该模型在mIoU和边界F1
- •
提出了基于语义边界的BD-Net双流算法，用于地膜检测。
- •
双流解耦和EdgeLoss技术能够恢复薄膜裂纹的拓扑结构。
- •
集成CBAM算法以抑制复杂农田中的增值背景噪声。
- •
开发了一种自动化工作流程，用于生成可用于地图制作的GIS格式 Shapefile。
- •
该模型在mIoU和边界F1（BF1）指标上表现出优越的性能。
引言
塑料薄膜在干旱和半干旱农业中得到广泛应用，旨在保持土壤湿度、调节土壤温度、抑制杂草生长并提高作物产量（Amare和Desta，2021年；Demo和Asefa Bogale，2024年；Sokombela等人，2025年）。在中国新疆，基于塑料薄膜的种植在灌溉棉花生产系统中尤为重要，但大规模使用薄膜也引发了关于塑料残留污染的担忧（Zhai等人，2022年）。在强风和机械干扰下，农业薄膜可能会发生撕裂、翘起、位移和破碎，导致其原有的覆盖功能丧失，并形成分散的塑料残渣。长期积累的塑料薄膜会对土壤状况和农业生产产生不利影响（Gao等人，2019年）。因此，及时准确地识别受损薄膜区域并进行可靠的空间评估，对于灾后管理、有针对性的田间干预以及后续的农业塑料污染控制至关重要。
传统的田间调查和基于样本的评估方法劳动强度大，难以扩展到全范围、高精度的监测。此外，稀疏的点观测无法提供关于大面积农田中塑料残渣连续空间分布的详细信息。因此，基于光谱和纹理信息的遥感方法被开发出来用于绘制塑料薄膜覆盖的农田地图。例如，Hasituya等人（2016年）结合了来自Landsat-8 OLI影像的光谱和纹理特征来进行塑料薄膜覆盖农田的测绘，后续研究进一步整合了光学和合成孔径雷达观测（Hasituya等人，2020年）。然而，光谱混淆、空间混合以及异质性的农业背景仍然是可靠区分塑料薄膜的重要挑战。此外，当目标只占图像的一小部分时，多尺度农业检测仍然很困难，因为在层次化特征提取过程中精细的空间信息会逐渐减弱（Wang等人，2022年）。
近年来，由于无人机（UAV）具有高空间分辨率、操作灵活性和重复进行大范围观测的能力，UAV低空遥感在精准农业中的应用日益增多（Maes和Steppe，2019年；Oscoski等人，2021年）。在塑料薄膜监测方面，Yang等人（2019年）展示了从高分辨率UAV影像中进行深度语义分割以绘制塑料薄膜覆盖农田的可行性，而Zhai等人（2022年）运用UAV成像和语义分割技术快速评估播种前的棉花田中残留薄膜污染情况。后续研究进一步将基于UAV的残留薄膜监测扩展到定量农业评估。Qiu等人（2022年）结合UAV图像分割和回归分析来估计棉花田耕作层中的残留薄膜含量，Yang等人（2024年）开发了一个集成UAV监测系统，包括自动图像采集、语义分割和残留薄膜覆盖评估。最近，Miao等人（2025年）提出了一种基于RDT-Net的框架，用于辅助监测棉花田中浅层残留薄膜污染，Zhao等人（2026年）展示了UAV高光谱影像与深度语义分割结合在棉花田中进行精细塑料薄膜识别的潜力。这些研究表明，UAV遥感和深度学习在自动化塑料薄膜监测和定量农田评估方面的能力不断提高。
尽管取得了这些进展，现有基于UAV的塑料薄膜研究的主要目标仍集中在暴露薄膜的识别、残留薄膜覆盖评估或残留薄膜含量的预测上。而对于风造成的薄膜细粒度边界划分，则提出了一个相关但不同的挑战，因为目标通常表现为狭窄的裂纹、延长的间隙、不规则的碎片以及嵌入在异质农田背景中的局部不连续结构。此外，实际的灾后评估需要在大范围UAV正射影像中一致地重建这些破碎结构，而不仅仅是在孤立图像样本中进行评估。因此，对于当前任务而言，三个技术问题尤为重要。首先，在层次化特征提取过程中，狭窄和破碎的边界容易丢失空间信息。之前的边界感知遥感分割研究表明，明确建模边界信息或应用以边缘为导向的监督可以提高轮廓表达和空间一致性（Chen等人，2022年；Feng等人，2023年；Yang等人，2023年；Li等人，2024年）。其次，非常小的受损薄膜区域对图像分辨率和多尺度特征表示仍然敏感，尤其是当目标只占据几个像素时（Wang等人，2022年）。第三，高分辨率UAV正射影像的尺寸通常超过了分割网络可直接处理的固定输入尺寸，因此需要分段后的区域推断和空间一致的全场景重建来进行实际的大面积测绘（Liu等人，2018年；Su等人，2022年）。
为了解决这些挑战，本研究提出了一个基于边界感知的双流网络（BD-Net）和全场景映射框架，用于处理破碎的受损薄膜，以DeepLabV3+（Chen等人，2018年）作为基础架构。在特征学习过程中，引入了一个辅助的边缘预测分支，以提供明确的边界监督并改善狭窄和破碎结构的表示。同时，在ResNet-50编码器中嵌入了CBAM模块（Woo等人，2018年），以在校正复杂农田背景下的通道和空间特征响应。对于全场景UAV图像处理，采用基于余弦的空间加权的重叠滑动窗口推断策略，以减少相邻区域之间的预测不连续性，然后进行地理空间重建和GIS矢量化。这些组件共同构成了从区域级语义分割到全场景受损薄膜映射和地理参考空间输出的集成工作流程。该框架旨在改进破碎受损薄膜结构的划分，同时支持离线的的大范围UAV测绘，用于灾后评估和农业管理。本研究的整体技术流程如图1所示。
章节摘要
研究区域和UAV图像采集
本研究在中国新疆塔里木盆地的薄膜覆盖棉花田中进行。调查不仅限于单个田地，涵盖了五个代表不同田地规模观测场景的农业地块。具体针对的是受到风害的薄膜覆盖棉花田，这些田地中观察到了薄膜的撕裂、翘起、位移和破碎现象。五次独立的UAV飞行任务于5月9日至10日执行。
结果与分析
基于提出的BD-Net框架，进行了一系列比较和消融实验，以评估其分割性能、边界划分能力和处理破碎受损薄膜结构的效果。还进行了消融实验，以量化主要组件的贡献，包括注意力机制和辅助边界监督。此外，使用Grad-CAM可视化技术来检查特征响应。
BD-Net模型在薄膜提取方面的性能分析
准确划分破碎的受损薄膜不仅对于估算受损面积很重要，也有助于保持狭窄裂纹和不规则边界的形态。传统的塑料薄膜遥感监测方法通常依赖于光谱和纹理特征来区分塑料薄膜与周围土壤和植被（Hasituya等人，2016年；2020年）。然而，当前任务还需要保留破碎部分的信息。
结论
为了解决复杂农田条件下破碎受损薄膜提取的挑战，本研究提出了一种基于DeepLabV3+的边界感知双流网络（BD-Net）。该框架结合了增强版的CBAM-ResNet-50编码器和辅助边缘预测分支，以改善语义分割过程中狭窄和破碎受损薄膜结构的表示。在验证集上，BD-Net的mIoU达到了78.60%，BF1@3px达到了46.59%。
CRediT作者贡献声明
Yan Penglei：撰写 - 原始草稿、可视化、验证、软件、方法论、调查、正式分析、数据管理、概念化。Long Lv Sumin：撰写 - 审阅与编辑、验证、方法论、调查、数据管理。Li Xuan：资源管理、调查、数据管理。Chi Jianan：撰写 - 审阅与编辑、方法论、正式分析。Zhang Xiao：撰写 - 审阅与编辑、监督、概念化。Zhang Nannan：撰写 - 审阅与编辑、监督，
资助
本研究得到了天山人才科技创新团队计划（2024TSYCTD0019）、塔里木大学校长基金[资助编号TDZKJC202509, TDZKJQ202605]、国家自然科学基金[资助编号31960503, 32101621]、塔里木大学研究生研究与创新项目[资助编号TDGRI2024096]、兵团科技计划[资助编号2022CB001-05]以及中央地方 science and technology 计划的支持。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能对本论文的研究产生影响。
致谢
我们非常感谢塔里木大学提供必要的实验设施，以及来自新疆生产建设兵团第一师阿拉尔市第10团的当地农民，他们提供了实验棉花田并提供了UAV影像数据。同时，也非常感谢匿名审稿人的宝贵意见和指导，这对完善本研究起到了重要作用。
Penglei Yan|Sumin Lv|Xuan Li|Jianan Chi|Xiao Zhang|Nannan Zhang
