论文部分内容阅读
玉米是全球最重要的粮食作物之一,也是我国的第一大粮食作物。中国北方地区是玉米的主要产区,由于气温和降水分布等变化,干旱成为这些区域中影响玉米产量的重要因素。随着农业精细化管理要求的不断提高,准确、高效的识别玉米旱灾等级具有十分重要的意义。传统的农作物旱灾识别方法多使用卫星多光谱遥感影像计算植被指数获得干旱情况,然而受天气、过境时间、空间分辨率低等多种因素限制,卫星影像在时效性和准确性上并不能令人满意。随着无人机技术的发展,操作便捷、灵活有效地获取超高分辨率遥感影像变为可能,在近年来为很多农业问题的解决提供了新的思路。而随着深度神经网络的发展,全卷积神经网络的提出使遥感影像语义分割任务的精确度得到了进一步提升。本文使用无人机遥感影像,设计并实现了一种面向玉米旱灾进行识别和分级的深度学习语义分割方法,本文的具体研究内容如下:(1)本文首先分析总结了传统旱灾识别方法,针对农业保险中的实际需求,提出一种面向四波段无人机数据的玉米旱灾标签生成方法。无人机采集到红绿蓝(RGB)+近红外(NIR)四通道影像后,将其中红色与近红外两个波段计算出的归一化植被指数(NDVI)进行一定轮次的均值平滑处理后,由专家评估划定灾害等级所对应的指数范围,从而生成标签。(2)以RGB三个通道作为网络的输入,使用专家评估的地面真实标签对神经网络模型进行监督训练,验证了使用深度学习模型在消费级无人机影像上进行灾害等级划分的可行性。(3)为了提高分割结果的精度,在U-Net网络结构的基础上进行了一系列的优化与改进。在下采样部分使用SE-ResNeXt-50作为骨干网络、增加空洞金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)结构来提高网络对多尺度特征的识别能力,使用Jaccard loss代替传统的交叉熵(Categorical Cross Entropy,CCE)作为损失函数,并使用转置卷积作为上采样方式。实验结果显示,本文的方法能够达到较高的准确度和比较好的泛化性,在测试集上F1-score达到0.9034,Jaccard系数达到0.8287。