2025年8月21日，河南农业大学马新明教授团队在国际期刊Expert Systems with Applications (IF=7.5)在线发表了题为“UssNet: a spatial self-awareness algorithm for wheat lodging area detection”的研究性论文。研究聚焦小麦倒伏区域识别精度低等问题，提出了一种结合上下文和空间感知的UssNet算法。UssNet充分发挥了UNet语义分割和State Space Models(SSM)全局上下文感知优势，更加关注图像全局信息，提高了小麦倒伏区域的识别精度，为作物倒伏监测提供了新视角。        UssNet算法模型中的每一层编码器与解码器配置相互对应，组成一个U形结构，该模型的编码器与解码器结构具有对称性，研究通过UssNet集成了MCC块，CCR块，SSModule块和RestBlock块。关于编码器部分，模型由MCC模块和CCR模块交叉组成，MCC模块主要负责样本关联性的特征提取，CCR模块则负责图像纹理和图形的提取。其中编码层包含2个MCC和2个CCR，共计4个编码模块。每经过一次特征提取则加入一个最大池化层作为模型的下采样，下采样图像的尺寸会减少(1/2）^n，n是层数。解码器和编码器的结构相互对应，但是每个编码器的下采样部分使用上采样代替。在原始UNet模型中的上采样部分使用邻近插值法，UssNet为了提升MIou精度与分割边缘的精细度，使用双线性插值法取得了更高精度。        分割结果显示相较于UNet、ViT、SegNet等算法，本研究提出的UssNet网络模型综合考虑了小麦倒伏图像特点和倒伏区域数据分布特性，对倒伏小麦边界的监测精度较高。        研究为了验证UssNet算法模型的泛化能力，选取许昌建安区、内蒙古五原县、新乡原阳县等4个地块作为独立验证数据集。原阳3数据集(2.69公顷)具有大规模适用性，内蒙古五原县和许昌建安区提供跨区域、跨季节的不同小麦品种(春小麦和冬小麦)验证。同时，原阳3和建安区数据包含不同的地面样本距离（GSD）验证，削弱了地形变化和倒伏模式等混杂因素的影响，实现了算法在不同高度的鲁棒性。研究为未来小麦倒伏的遥感监测提供了可靠的技术路径。        我院博士生张军和博士后吴强为共同第一作者，我院程金鹏研究员、马新明教授和已毕业博士生常升龙为共同通讯作者，王小纯教授、熊淑萍教授、北京市农林科学院信息技术研究中心杨贵军教授和杨浩研究员对本研究工作给予了指导和帮助。该研究得到了国家重点研发计划（2024YFD2301100）、国家自然科学基金（32401705,42371373）和中国博士后基金（GZC20230721）等项目的联合资助。
论文链接：https://doi.org/10.1016/j.eswa.2025.129433