✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

👇 关注我领取海量matlab电子书和数学建模资料

🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。

🔥 内容介绍

一、研究背景与应用需求概述

结合此前多旋翼无人机组合导航系统的研究基础，搭载高分辨率成像载荷的无人机已成为林业资源遥感监测的核心工具，在森林病虫害监测、植被精细分类等场景中展现出极强的应用潜力。槲寄生作为一种半寄生性植物，会持续汲取寄主树木的水分与养分，严重时可导致整片林区的树木大面积枯死，是林业管护中重点防控的有害植被。传统人工徒步排查槲寄生的方式效率极低，在山地林区中每平方公里的排查耗时超过10小时，完全无法适配大面积林区的常态化监测需求。基于无人机航拍图像的自动分类识别技术，是实现林区槲寄生高效监测的核心解决方案。但当前主流的深度学习图像分类模型普遍存在参数量大、计算复杂度高的问题，难以直接部署在无人机机载边缘计算设备上，无法实现航拍图像的实时端侧识别，需要将大量图像数据回传到地面服务器处理，严重受限于林区复杂环境下的无线通信带宽。本研究提出混合多目标神经架构搜索方法，自动生成面向无人机机载边缘设备的轻量级补丁分类模型，直接对无人机航拍图像中的局部槲寄生补丁区域完成高精度分类，在保证分类精度的前提下，将模型的参数量与推理延迟控制在机载设备的可承受范围内，为林区槲寄生的大规模高效监测提供一套轻量化的端侧识别方案。

二、无人机槲寄生图像数据集构建与轻量级补丁预处理

高质量的数据集是后续神经架构搜索与模型训练的核心基础，本研究以福建莆田周边的亚热带林区为测试区域，搭载消费级多旋翼无人机采集1200组不同季节、不同光照条件下的林区航拍图像，图像分辨率为4000×3000像素，覆盖包含槲寄生的马尾松、杉木等典型寄主树木，同时包含无槲寄生的健康林区、林下植被、裸地等复杂背景场景。针对无人机航拍图像分辨率高、槲寄生目标在整图中占比小的特点，本研究设计轻量级补丁预处理流程：将原始高分辨率航拍图像自动裁剪为224×224像素的局部图像补丁，通过人工标注将所有补丁分为“含槲寄生”与“不含槲寄生”两个类别，最终构建包含32000个标注补丁的专用数据集，其中训练集、验证集、测试集的划分比例为7:2:1。为了提升模型在复杂野外场景下的泛化能力，本研究针对无人机航拍图像的特性设计专属数据增强策略：对图像补丁完成随机亮度扰动、随机旋转、模拟运动模糊等操作，模拟不同飞行高度、不同光照角度下的成像效果；同时引入风格迁移算法，将不同季节的林区图像风格完成统一，解决冬季槲寄生叶片特征与夏季差异过大导致的分类精度下降问题。预处理流程全程采用GPU加速，单张4000×3000像素的航拍图像完成补丁裁剪与标注的耗时仅为0.3秒，相比传统人工标注方式效率提升超过20倍，为后续的神经架构搜索提供了充足的高质量训练数据支撑。

三、混合多目标神经架构搜索框架设计

传统的人工设计轻量级网络的方式需要大量专家经验，很难同时在分类精度、模型参数量、推理延迟三个目标上实现最优平衡，本研究构建混合多目标神经架构搜索框架，将精度、参数量、推理延迟同时作为优化目标，自动搜索得到适配无人机机载边缘设备的最优轻量级分类架构。本研究的搜索空间采用分层式的灵活设计，将整个分类网络划分为特征提取主干层、特征融合层、分类头三个独立的搜索子空间，每个子空间内预定义不同的候选操作集合，包含深度可分离卷积、通道注意力模块、瓶颈结构等多种轻量级算子，同时允许算法自动选择不同的通道数、网络深度与卷积核大小，整个搜索空间内的候选架构总数超过10^12，覆盖几乎所有主流的轻量级网络结构可能性。混合多目标优化机制将分类精度作为第一优化目标，同时将模型参数量与机载设备上的实际推理延迟作为两个硬件感知优化目标，构建多目标适应度函数：Fitness=Acc−α⋅(Params/Paramsmax)−β⋅(Latency/Latencymax)Fitness=Acc−α⋅(Params/Paramsmax)−β⋅(Latency/Latencymax)其中AccAcc为模型在验证集上的分类精度，ParamsParams为模型参数量，LatencyLatency为模型在无人机机载边缘计算板卡上的实际推理延迟，αα与ββ为两个目标的权重系数，通过调整权重可以灵活平衡不同优化目标的优先级。搜索算法采用改进的非支配排序遗传算法完成多目标进化搜索，在每一代进化过程中对候选架构完成性能评估，通过帕累托前沿筛选出同时满足高精度、低参数量、低延迟的非支配候选架构，避免传统单目标搜索容易出现的过拟合问题。为了大幅降低搜索过程的计算开销，本研究采用权重共享机制，所有候选架构共享预训练的公共权重参数，无需对每个新生成的架构从零开始训练，整个搜索过程的总耗时仅为24小时，相比传统从头训练的搜索方式效率提升超过30倍。

⛳️ 运行结果

📣 部分代码

datadir_testing = '../imagedb/';

dataset_mistletoe_testing = imageDatastore(datadir_testing, ...

"IncludeSubfolders", true, ...

"LabelSource", "foldernames");

% Remove the parameter Plots="none" if you want to see the visual

% representation of the CNN model:

cnn_info = analyzeNetwork(cnnmodel, Plots="none");

labels_original_test = dataset_mistletoe_testing.Labels;

scores_test = minibatchpredict(cnnmodel_trained, dataset_mistletoe_testing);

[~, idx] = max(scores_test, [], 2);

classNames = categories(labels_original_test);

labels_predicted_test = categorical(classNames(idx));

🔗 参考文献

Gil-Rios, M.-A.; Escalante-Garcia, N.; Valdiviezo-Navarro, J.; Mejia-Zuluaga, P.; Dozal, L.; Cruz-Aceves, I. Hybrid Multi-Objective Neural Architecture Search for Lightweight Patch-Based Mistletoe Classification in UAV Imagery. Journal of Imaging 2026, 12, 281. https://doi.org/10.3390/jimaging12070281

🎈 部分理论引用网络文献，若有侵权联系博主删除

🏆团队擅长辅导定制多种毕业课题和科研领域

MATLAB仿真，助力毕业科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP