利用改进EfficientNetV2和无人机图像检测小麦倒伏类型

[目的/意义]不同类型的小麦倒伏(根部倒伏、茎部倒伏)对产量和质量会产生不同影响。本研究旨在通过无人机图像检测对小麦倒伏类型进行分类,并探究无人机飞行高度对分类性能的影响。[方法]研究设置3个无人机飞行高度(15、45、91 m)来获取小麦试验田的图像,并利用自动分割算法生成不同高度的数据集,提出一种EfficientNetV2-C改进模型对其进行分类识别。模型通过引入CA(Coordinate Attention)注意力机制来提升网络特征提取能力,并结合CB-Focal Loss(Class–Balanced Focal Loss)来解决数据不均衡对模型分类准确度的影响。[结果和讨论]改进的EfficientNetV2-C表现最佳,平均准确率达到93.58%。对比未改进的4种机器学习分类模型(支持向量机(Support Vector Machine,SVM)、K最近邻(K Nearest Neighbor,KNN)、决策树(Decision Tree,DT)和朴素贝叶斯(Naive Bayes,NB))与两种深度学习分类模型(ResNet101和EfficientNetV2),其中EfficientNetV2在各个高度下表现最优,平均准确率达到82.67%。无人机飞行高度对4种机器学习分类器性能无显著影响,但随飞行高度上升,由于图像特征信息损失,深度学习模型的分类性能下降。[结论]改进的EfficientNetV2-C在小麦倒伏类型检测方面取得了较高的准确率,为小麦倒伏预警和农作物管理提供了新的解决方案。