农业工程学报

作者：赵俊陶,芦天罡,吕芯悦,李友丽,喻黎明,张钟莉莉,

关键词：日光温室, 积水区, 语义分割, 级联编解码, 卷积神经网络

基金：42

设施农业在全球食品生产中具有举足轻重的地位，近年来，受气候变化影响，洪涝等极端天气事件频发，设施农业受灾监测需求日益迫切。为解决温室环境下积水区域尺度差异大、复杂背景干扰强的问题，该研究结合温室生产已部署的图像传感器，提出了一种用于日光温室内部积水区域监测的残差多尺度级联编码-解码网络（residual multiscale cascade encoder–decoder，RMCED）。该网络采用ResNet50中间四层作为编码器，以充分提取图像的深层次特征；解码器部分则引入了高效多尺度级联注意力解码器(efficient multi-scale cascaded fully-convolutional attention decoder，EMCAD)，通过多尺度特征融合逐步恢复图像的空间分辨率，从而提高对积水区域细节的刻画能力。为弥合编码器与解码器之间的语义差异和尺度不匹配，研究引入了长跳跃连接，并设计了改进光照感知卷积块注意力模块（lighting-aware convolutional block attention module，LA-CBAM）。该模块在传统卷积注意力模块（convolutional block attention module，CBAM）的基础上进行改进，由多尺度卷积核与Sobel卷积融合构成。其中，多尺度卷积核用于提取不同尺度的特征信息， Sobel卷积用于捕获梯度变化并增强边缘信息表征，从而提升模型对温室内不同大小积水区域特征的识别能力，并增强其在复杂光照条件下的鲁棒性。试验结果表明，所提出的模型在日光温室积水数据集上表现出较好性能，精确率达到93.22%，相比改进前提高了10%以上，为设施农业洪涝灾害监测提供了一种有效的技术方法。/

来源：2026年第8期

《农业工程学报》期刊编辑部

查看农业工程学报杂志2026年第8期