基于无人机影像的冬小麦深度学习分类

发布时间：2022-07-22 18:08

　　[目的]传统分类方法存在人为主观选择特征、模型无法在大范围泛化的问题,文章利用非监督特征学习的深度学习方法进行冬小麦识别,以解决传统分类方法无法在大范围进行自动化作物识别的不足。[方法]该文集成残差网络（Residual Nets,ResNets）和金字塔场景解析网络（Pyramid Scene Parsing Network,PspNets）构建Res.PspNet,进行冬小麦深度学习自动化分类。在山东全省获取80个村的无人机航拍影像,利用米级遥感影像和对应的标记样本作为"海量标记样本"训练土地覆盖识别模型,以此为基础模型迁移训练冬小麦分类模型,自动提取出冬小麦分布。[结果]实验结果表明,以训练出的土地覆盖数据作为基础模型训练冬小麦模型,收敛速度快,具有很好的泛化性,在不同农业景观调查村中均得到比较准确的结果。从整体验证区域来看,冬小麦总体精度达到了90%以上,区域冬小麦总面积精度达到99%。平原区冬小麦识别精度更高,总体精度达到了90%以上,区域面积精度达到99%,表明模型对冬小麦种植地块规整、生长状态均质的区域,识别精度较高,而山区由于地块破碎、冬小麦长势差异较大,空间卷积会弱化... 

【文章页数】：9 页

【文章目录】：
0 引言
1 研究区概况与数据处理
    1.1 研究区介绍
    1.2 数据
        1.2.1 无人机航片影像
        1.2.2 冬小麦数字化结果
        1.2.3 辅助数据
2 方法
    2.1 网络架构
    2.2 实验设计
        2.2.1 标记样本库训练
        2.2.2 迁移模型预训练
        2.2.3 冬小麦分类
        2.2.4 精度评价
3 结果与分析
    3.1 训练结果
    3.2 精度分析
    3.3 冬小麦识别分布图分析
4 讨论
5 结论


【参考文献】：
期刊论文
[1]无人机遥感影像面向对象分类方法估算市域水稻面积[J]. 吴金胜,刘红利,张锦水.  农业工程学报. 2018(01)
[2]基于低空无人机遥感技术的油菜机械直播苗期株数识别[J]. 赵必权,丁幼春,蔡晓斌,谢静,廖庆喜,张建.  农业工程学报. 2017(19)
[3]基于无人机样方事后分层的作物面积估算[J]. 孙佩军,张锦水,潘耀忠,谢登峰,袁周米琪.  中国农业资源与区划. 2016(02)
[4]基于小型无人机遥感的玉米倒伏面积提取[J]. 李宗南,陈仲新,王利民,刘佳,周清波.  农业工程学报. 2014(19)
[5]基于无人机影像的农情遥感监测应用[J]. 王利民,刘佳,杨玲波,陈仲新,王小龙,欧阳斌.  农业工程学报. 2013(18)
[6]基于低空无人机遥感的冬小麦覆盖度变化监测[J]. 李冰,刘镕源,刘素红,刘强,刘峰,周公器.  农业工程学报. 2012(13)
[7]遥感影像反卷积复原处理[J]. 陈奋,赵忠明.  数据采集与处理. 2008(02)

博士论文
[1]基于GF-1/WFV和面向对象的农作物种植结构提取方法研究[D]. 宋茜.中国农业科学院 2016



本文编号：3665088