摘要：精准识别高原鼠兔危害地秃斑，是科学评估其危害程度的前提与基础。传统的秃斑识别与面积测算方法存在计算繁琐、效率低下等问题。本研究基于深度学习的无人机影像分割方法，提出了小波增强U型卷积神经网络(W-UNet)分割方法。该方法以U型卷积神经网络（UNet）为基础架构，采用视觉几何组16层网络（VGG16）作为主干网络。在跳跃连接部分引入坐标注意力机制（CA）提升目标区域的空间定位能力。在编码阶段引入小波变换卷积（WTConv），增强高频信息提取与细粒度特征的恢复能力。此外，采用Focal Loss与Dice Loss组合构建损失函数，有效解决类别不平衡问题。结果表明，本研究提出的无人机影像分割方法在平均交并比（MIoU）、类别平均像素准确率（MPA）和整体准确率（ACC）方面分别达到81.2%、89.4%和95.8%，显著优于传统的UNet-Vgg模型。该研究为高原鼠兔鼠害地秃斑的高效精准监测提供了有力的技术支撑。
文章目录
1 研究区域与研究方法
1.1 研究区概况
1.2 无人机影像数据获取
1.3 数据处理
1.3.1 影像预处理
1.3.2 试验环境及参数设置
1.3.3 小波增强U型卷积神经网络模型构建
1.3.4模型性能评估
2 结果与分析
2.1 不同分割模型对比效果
2.2 数据增强结果
2.3 损失函数评价
2.4 多模块协同优化效果
2.5 数据增强后不同分割模型的对比效果
2.6 小波增强U型卷积神经网络对秃斑面积的定量评估
3 讨论
3.1 不同网络对分割性能的影响
3.2 不同高度对分割性能的影响
3.3 改进网络对分割性能的影响与不足
4 结论
