【学院动态】我院潘新教授团队在农业高光谱领域取得重要成果

近日，我院潘新教授团队，在农业领域国际权威期刊《Smart Agricultural Technology》（2026版中科院2区TOP期刊）发表题为“UAV Forage Hyperspectral Imagery Identification and Classification Based Research on Multi-scale Fusion Network”的研究论文。我院潘新教授为通讯作者，青年教师刘一磊为第一作者，内蒙古农业大学为第一完成单位。

草地作为重要的自然资源，有助于改善草原生态环境，在土壤保护、水资源保护等方面扮演着关键角色。随着草地生态系统的退化加剧和牧草产业的发展，对牧草的需求量逐渐增大。通过对牧草草种进行识别，可以了解牧草种质结构、生长条件等信息，从而优化牧草种植结构，提高牧草产量，对培养优质品种和草地资源的可持续发展具有重要作用。

传统的草地牧草识别分类方法依赖于人工视觉检查和经验判断，分类效率低下，难以覆盖大范围的草地区域。许多牧草种类的外形相似，颜色相近，混合生长在同一区域，所以对牧草的识别具有一定难度。随着遥感技术在牧草识别与分类领域的日益凸显，高光谱技术凭借高空间分辨率成为突破传统监测手段的关键技术。高光谱图像可以获取数百个连续波段的光谱信息，精准捕捉牧草外形、细节特征，为生物量估算、草种识别等研究提供多维数据支持。

综合上述问题，本文结合无人机高光谱图像和深度学习模型的优势，实地采集牧草高光谱图像，建立只包含牧草的无人机高光谱数据集，并提出多尺度融合八度卷积网络（MFO-Net），对牧草高光谱图像的识别分类。MFO-Net使用通道重构单元提升特征提取效率，并捕获多尺度上下文信息，提升模型对全局和局部信息的融合能力。同时，采用分频策略将特征分为高频分量和低频分量，高频特征经光谱压缩注入低频分支，低频特征经光谱扩展注入高频分支，提升对光谱数据的敏感度。

图1 MFO-Net网络结构图

在无人机牧草高光谱图像上进行了大量实验。实验结果表明，MFO-Net对牧草高光谱数据集的识别精度达到99.95%；，均显著优于对比模型和传统方法。

图2无人机牧草高光谱图像分类图（a）真实数据标记图像（b）3DCNN（c）DenseNet（d）GoogleNet（e）MobileNet（f）MFO-Net

实验证明，多尺度重构融合模型提高了重要分类特征的表示能力，加强了通道和空间维度的相关性，提高了全局特征和局部特征的融合能力。SG-OctConv提升了对局部细节和全局特征的学习能力，实现了跨波段整合特征。MFO-Net展现了良好的鲁棒性和高效性，为牧草高光谱数据的识别分类研究提供了新方法。

该研究得到了内蒙古自治区自然科学基金项目（2025MS06020）、国家自然科学基金（61962048）、中央公益性科学基础研究项目（1610332020020）、优秀博士人才引进科研启动项目（NDYB2023-32）以及国家重点研发计划子课题（2023YFD1600702-04）等项目的资助与支持。