基于空间-光谱注意力U-Net的水稻病虫害高光谱语义分割OA

针对水稻病虫害高光谱图像光谱冗余信息多、空间-光谱信息融合不足导致分割精度受限的问题,提出一种空间-光谱注意力U-Net模型(SSA U-Net)。该模型在输入端引入波段门控模块,通过自适应加权突出敏感波段并抑制冗余光谱信息;在跳跃连接中设计光谱引导残差注意力门控模块,结合解码器高层语义信息与光谱先验信息生成空间注意力权重,提高弱病斑、小尺度区域及模糊边界的表征能力;同时构建交叉熵损失、Dice损失与波段稀疏正则项的联合损失函数,缓解类别不平衡并增强关键光谱特征学习能力。基于1270幅34波段水稻病虫害高光谱图像的试验结果表明,SSA U-Net在测试集上的平均Dice系数为89.6%,平均交并比为81.2%,较基准U-Net分别提高5.4和8.5个百分点,整体性能指标高于DeepLabV3+、U-Net、U-Net++和SegNet,且参数量(3.16×107)与U-Net处于同一量级。SSA U-Net可实现水稻病虫害区域的像素级分割,为智能监测与精准植保提供技术支撑。