基于深度学习语义分割和迁移学习策略的麦田倒伏面积识别方法

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）》

张淦 严海峰 胡根生 张东彦 程涛 潘正高 许海峰 沈书豪 朱科宇

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。

 点击量 670  下载量 98  评论