基于改进视觉Mamba-UNet模型的作物害虫检测方法OA

针对田间自然环境下作物害虫种类多样、体积微小、姿态多变及背景复杂等因素导致的检测难题,以及传统U-Net模型全局特征提取能力不足、Transformer模型计算复杂度高等问题,本研究提出一种融合空间与通道注意力视觉的Mamba-UNet模型的作物害虫检测模型——SCAFAVM-UNet。该模型以U-Mamba模型架构为基础,采用编码器-解码器结构,该模型整合了主干起始模块(Stem)、残差视觉Mamba模块(RVM)和视觉状态空间模块(VSS)、空间通道注意力视觉状态空间模块(SCAVSS)、多尺度自适应特征聚合模块(MSAFA)以及交叉二维扫描机制(CS2D)。在IP102数据集上的试验结果表明,SCAFAVM-UNet模型的检测精度与Dice相似系数(DSC)分别达到76.12%和73.11%,并且其检测精度与训练效率整体优于U-Net模型、DMSU-Net模型、MSRAL-UNet模型、TransFCL模型、Swin-UNet模型、Mamba-UNet模型以及MSV-Mamba模型。在害虫目标微小、触角及足部细节丰富且与背景对比度较低的复杂场景下,该模型能够更精准地定位害虫,并保持轮廓完整性,显著减少漏检与目标残缺现象。本研究结果为智慧农业中田间害虫的精准监测与防治决策提供了理论依据。