（农业大数据中心 翁士状）近日，农业生态大数据分析与应用技术国家地方联合工程研究中心胡根生、鲍文霞教授团队在作物病害遥感监测领域取得系列进展，先后在遥感科学和农林科学权威期刊发表多篇论文。
低分辨率无人机遥感茶园图像中患病茶叶的小尺寸、高密度和模糊边缘细节，以及图像中茶叶病斑的颜色和纹理与背景之间的相似性，导致现有方法的监测精度低。团队提出了一种两级网络方法，构建超分网络RFBDB-GAN与轻量级检测网络LWDNet，实现从12 m高度的无人机遥感图像中精确检测茶叶枯病。相关工作发表在遥感科学权威期刊IEEE Transactions on Geoscience and Remote Sensing，2024，62：5601218，第一作者为电子信息工程学院胡根生教授，鲍文霞教授为论文通讯作者。(DOI: 10.1109/TGRS.2023.3339765)
图1 RFBDB-GAN与LWDNet实现无人机遥感图像茶叶枯病的精确检测
小麦赤霉病的准确检测是提高小麦产量的关键。团队提出了一种端到端的图像自适应增强和小麦赤霉病检测网络（IAE-SDNet）以及一种基于并行通道空间注意力机制的PCSA-YOLO网络，用于准确检测无人机遥感图像中的小麦赤霉病。IAE-SDNet网络中的图像自适应增强（IAE）模块旨在提高无人机图像的质量，并使用基于transformer的目标检测模块SDNet进行端到端学习。并行通道空间注意力（PCSA）机制提高了输出特征图的表示能力，消除了串行结构下权重系数的干扰，可以在复杂的背景下检测微小的小麦赤霉病目标。相关工作发表在遥感科学权威期刊IEEE Transactions on Geoscience and Remote Sensing，2024，62：4416014和农林科学权威期刊Computers and Electronics in Agriculture，2024，217：108630，这两篇论文的第一作者为电子信息工程学院鲍文霞教授，电子信息工程学院胡根生教授和中国科学院合肥物质科学研究院的杨先军研究员为论文共同通讯作者。
(DOI:10.1109/TGRS.2024.3487626, DOI:10.1016/j.compag.2024.108630)
图2 IAE-SDNet检测小麦赤霉病。
图3 PCSA-YOLO检测小麦赤霉病。
在强光照条件下检测无人机遥感图像中的小目标茶叶枯病是一项具有挑战性的任务。团队提出了一种基于MLDNet网络的强光照条件下无人机遥感图像中小目标茶叶枯病的高效检测方法。相关工作发表在农林科学权威期刊Computers and Electronics in Agriculture，2025，229：109825，第一作者为电气工程与自动化学院江永成副教授，电子信息工程学院胡根生教授为论文通讯作者。(DOI:10.1016/j.compag.2024.109825)
图4 MLDNet检测小目标茶叶叶枯病