分类： 统计学 >> 社会统计学 提交时间： 2023-12-04 合作期刊: 《智慧农业（中英文）》
摘要： ［目的/意义］利用低空无人机技术并结合深度学习语义分割模型精准提取作物倒伏区域是一种高效的倒 伏灾害监测手段。然而，在实际应用中，受田间各种客观条件（不同无人机飞行高度低于120 m、多个研究区、 关键生育期不同天气状况等） 限制，无人机获取的图像数量仍偏少，难以满足高精度深度学习模型训练的要求。 本研究旨在探索一种在作物生育期和研究区有限的情况下精准提取倒伏面积的方法。［方法］以健康/倒伏小麦为 研究对象，在其灌浆期和成熟期开展麦田图像采集工作。设置2个飞行高度（40和80 m），采集并拼接获取2019、 2020、2021和2023年份3个研究区的数字正射影像图（Digital Ortho⁃photo Map，DOM）；在Swin-Transformer深度 学习语义分割框架基础上，分别使用40 m训练集单独训练、40和80 m训练集混合训练、40 m训练集预训练80 m 训练集迁移学习等3种训练方法，获得对照模型、混合训练模型和迁移学习模型；采用对比实验比较上述3种模型 分割80 m高度预测集图像的精度并评估模型性能。［结果和讨论］迁移学习模型倒伏面积提取精度最高，交并比、 正确率、精确率、召回率和F1-Score共5个指标平均数分别为85.37%、94.98%、91.30%、92.52%和91.84%，高于 对照组模型1.08%~3.19%，平均加权帧率达到738.35 fps/m2，高于40 m图像183.12 fps/m2。［结论］利用低飞行高 度（40 m） 预训练语义分割模型，在较高飞行高度（80 m） 空图像做迁移学习的方法提取倒伏小麦面积是可行的， 这为解决空域飞行高度限制下，较少80 m及以上图像数据集无法满足语义分割模型训练的要求的问题，提供了一 种有效的方法。
分类： 统计学 >> 社会统计学 提交时间： 2023-12-04 合作期刊: 《智慧农业（中英文）》
摘要： ［目的/意义］葡萄卷叶病是一种严重影响葡萄产量和品质的病害。葡萄卷叶病感染程度类别之间存在严 重的数据不平衡，导致无人机遥感技术难以进行精确的诊断。针对此问题，本研究提出一种结合细粒度分类和生 成对抗网络（Generative Adversarial Network，GAN） 的方法，用于提高无人机遥感图像中葡萄卷叶病感染程度分 类的性能。［方法］以蛇龙珠品种卷叶病识别诊断为例，使用GANformer分别对每一类的葡萄园正射影像的分块图 像进行学习，生成多样化和逼真的图像以增强数据，并以Swin Transformer tiny作为基础模型，提出改进模型CASwin Transformer，引入通道注意力机制（Channel Attention，CA） 来增强特征表达能力，并使用ArcFace损失函数 和实例归一化（Instance Normalization，IN）来改进模型的性能。［结果和讨论］ GANformer可以生成FID score为 93.20的蛇龙珠虚拟冠层图像，有效地改善数据不平衡问题。同时，相比基于卷积神经网络（Convolutional Neural Networks，CNN） 的深度学习模型，基于Transformer的深度学习模型在卷叶病感染程度诊断的问题上更具优势。 最佳模型Swin Transformer 在增强数据集上达到83.97% 的准确率， 比在原始数据集上提高3.86%， 且高于 GoogLeNet、MobileNetV2、NasNet Mobile、ResNet18、ResNet50、CVT 和T2TViT 等对照模型。而本研究所提的 CA-Swin Transformer在增强数据后的测试集上达到86.65%的分类精度，比在原始的测试集上使用Swin Transformer 精度提高6.54%。［结论］本研究基于CA-Swin Transformer使用滑动窗口法制作了葡萄园蛇龙珠卷叶病严重程度分 布图，为葡萄园卷叶病的防治提供了参考。同时，本研究的方法为无人机遥感监测作物病害提供了一种新的思路 和技术手段。
点击量
点击量
下载量
评论
