针对精准农业中稳健农业图像分割的多尺度眼镜蛇注意力和残差学习

农业图像的准确分割对于精准农业至关重要，能够实现高效的作物管理、杂草检测和资源优化。我们提出了一种新颖的针对农业图像的分割网络，在U-Net类架构中集成多尺度眼镜蛇注意力（MSMA）模块和Conv2D残差块，以应对可变尺度、复杂边界和异质对象形状的挑战。MSMA模块增强了多尺度特征提取，而Conv2D残差块改善了特征传播和空间一致性。在农业视觉数据集上进行测试，我们的模型在平均交并比（mIoU）方面优于现有的先进方法，如AgriSegNet和DeepLabV3 +，尤其是在如播种机跳过和杂草聚集等具有挑战性的类别中。消融研究进一步证明了MSMA模块和残差连接对网络性能的关键贡献，使我们的方法成为精准农业任务的有希望的解决方案。