使用无人机超光谱红边带和基于交叉注意力的深度学习方法精确检测大米爆炸
Yuan Qi1, Tan Liu2, Songlin Guo1
1College of Information and Electronic Engineering, Shenyang Agricultural University, Shenyang 110866, China.
Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
|September 26, 2025
概括
这项研究引入了一种新的方法,用于使用无人机 (UAV) 遥感来早期检测大米爆炸. 开发的CFXFormer模型准确地识别了疾病的进展,支持精准农业.
科学领域:
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
- 植物病理学 植物病理学
背景情况:
- 米爆炸对全球米产量构成重大威胁,需要先进的监测技术.
- 基于无人机 (UAV) 的超光谱遥感显示出早期疾病检测的潜力,但解释复杂的光谱特征仍然存在挑战.
研究的目的:
- 开发和验证一种有效的方法来表征和监测米爆病,使用无人机的高光谱数据.
- 评估红边谱带和部分植被覆盖面 (FVC) 在疾病检测中的贡献.
- 引入一种新的深度学习模型,CFXFormer,用于增强大米爆炸分类.
主要方法:
- 协作灰狼优化器特征选择方法与相互信息排名 (MI-CGWO) 用于光谱特征选择.
- 该研究评估了树冠红边反射率和FVC对疾病监测的影响.
- 开发了一个通道融合密度交叉注意力变压器 (CFXFormer) 模型,结合了通道相互作用融合模块 (CIFM) 和交叉注意力机制.
主要成果:
- MI-CGWO证明了高效的特征选择,提高了使用更少特征的分类准确性.
- 红边植被指数 (VIs) 和FVC显著提高了模型性能,平均整体精度 (OA) 为95.07%,卡帕为93.80%.
- 该CFXFormer模型实现了优越的分类性能,最高OA为96.59%和Kappa为95.71%.
结论:
- 拟议的MI-CGWO和CFXFormer模型为基于无人机的水爆炸监测提供了强大而准确的方法.
- 红边光谱信息对于敏感检测大米爆发进展至关重要.
- 这项研究为精准农业和检测其他作物疾病提供了宝贵的见解.
