基于U-Net网络和无人机影像的松材线虫病变色木识别

发布时间：2021-08-25 20:37

　　松材线虫病是由松墨天牛等媒介昆虫快速传播的一种针对松树的毁灭性流行病。及时对染病变色木进行识别、定位,并砍伐清除是当前控制该病扩散蔓延的主要手段。该研究使用无人机航拍获取大区域染病松林可见光影像,结合深度学习分割网络U-Net开展染病松材变色木图像分割研究。使用制作的样本数据训练U-Net网络,得到训练精度和验证精度分别为98.74%和97.76%。使用混淆矩阵评估U-Net网络分割精度,表明变色木图像分割的用户精度和生产者精度分别达到93.51%和97.30%,误报率6.49%,漏报率2.70%。总体上,U-Net网络变色木识别精度95.17%,Kappa系数0.90,达到较高精度。U-Net分割网络运用于松材线虫病变色木图像识别较随机森林方法能更有效地降低误报,减少分割噪音。 

【文章来源】：农业工程学报. 2020,36(12)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

U-Net模型的训练、验证精度和损失值

U-Net网络变色木分割结果

研究区域位于青岛市崂山区北部（36°05′N～36°19′N,120°24′E～120°42′E），如图1所示。研究区西南部是城市建成区，东北部为山地，陆域面积395.79 km2，平均海拔360 m，最高海拔1 132.7 m，年平均地面温度14.2～15.0℃，年均降水约660 mm，植被覆盖以针叶林为主，是松材线虫病高发区域。采集变色木影像试验区域位于崂山区仰口隧道和黑虎山区域，其中仰口隧道区域面积56.50 km2，黑虎山区域面积53.07 km2。1.2 数据获取

【参考文献】：
期刊论文
[1]基于语义分割的复杂场景下的秸秆检测[J]. 刘媛媛,张硕,于海业,王跃勇,王佳木.  光学精密工程. 2020(01)
[2]无人机监测松材线虫病的精度比较[J]. 曾全,孙华富,杨远亮,周建华,杨超.  四川林业科技. 2019(03)
[3]基于深度学习的森林虫害无人机实时监测方法[J]. 孙钰,周焱,袁明帅,刘文萍,骆有庆,宗世祥.  农业工程学报. 2018(21)
[4]基于全卷积网络的生猪轮廓提取[J]. 胡志伟,杨华,娄甜田,胡刚,谢倩倩,黄佳佳.  华南农业大学学报. 2018(06)
[5]广东省林业有害生物的发生与防控[J]. 谢伟忠,黄焕华,黄茂俊,黄咏槐.  环境昆虫学报. 2017(06)
[6]基于深度卷积神经网络的番茄主要器官分类识别方法[J]. 周云成,许童羽,郑伟,邓寒冰.  农业工程学报. 2017(15)
[7]基于网格搜索随机森林算法的工矿复垦区土地利用分类[J]. 陈元鹏,罗明,彭军还,王军,周旭,李少帅.  农业工程学报. 2017(14)
[8]基于高光谱遥感的油松毛虫危害程度监测模型[J]. 白雪琪,张晓丽,张凝,张连生,马云波.  北京林业大学学报. 2016(11)
[9]基于随机森林算法的冬小麦生物量遥感估算模型对比[J]. 岳继博,杨贵军,冯海宽.  农业工程学报. 2016(18)
[10]基于随机森林回归算法的小麦叶片SPAD值遥感估算[J]. 王丽爱,马昌,周旭东,訾妍,朱新开,郭文善.  农业机械学报. 2015(01)

硕士论文
[1]基于遥感图像的松材线虫病区域检测算法研究[D]. 吴琼.安徽大学 2013



本文编号：3362815