基于CNN的作物分类识别图像获取平台研究进展

基于机器视觉的作物精准分类识别是农业自动化、智能化作业的前提。在作物图像分类识别任务中,卷积神经网络(CNN)是当前应用最广泛的算法之一。作物表型特征及生长环境的复杂性,决定作物图像获取平台的多样性。通过分析2020—2022年国内外基于CNN的作物分类识别研究,图像获取平台可划分为通用平台和自建平台两大类:通用平台硬件产品成熟、部署方便,但要做好设备选型和环境搭建;自建平台分为固定式和移动式,能高效获取试验数据,但硬件集成较为复杂。详细对比分析各类平台的优缺点及适用范围。作物图像获取平台的未来趋势包括:高通量、高效率、自动化的通用图像获取装置,集成多种传感器的多模态数据采集与融合应用,自带运算处理的智能摄像头等,更精细化的图像获取平台将有效支撑作物表型的深入研究。

改进Deeplabv3+的双注意力融合作物分类方法

近年来,卷积神经网络(convolutional neural networks,CNN)在农作物分类研究中不断取得新进展,但在建模长期依赖关系方面表现出一定的局限性,对农作物全局特征的捕获存在不足。针对以上问题,将Transformer引入Deeplab v3+模型,提出了一种用于无人机影像农作物分类的并行分支结构--DeepTrans(Deeplab v3+with Trans-former)模型。DeepTrans以一种并行的方式将Transformer和CNN结合在一起,利于全局特征与局部特征的有效捕获。通过引入Transformer来增强图像中信息的远距离依赖关系,提高了作物全局信息的提取能力;加入通道注意力机制和空间注意力机制加强Transformer对通道信息的敏感度及ASPP(atrous spatial pyramid pooling)对作物空间信息捕获能力。实验结果表明,DeepTrans模型在MIoU指标上可达0.812,相较于Deeplab v3+模型提高了3.9%,该模型在五类作物的分类中精度均有提升,对于容易错分的甘蔗、玉米和香蕉三种作物,其IoU分别提高了2.9%、4.7%、13%。由此可见,DeepTrans模型在农作物分类图像的内部填充和全局预测方面有着更好的分割效果,有助于更准确地监测农田作物的种植结构及规模。

基于多时相Sentinel-2数据的成都平原主要农作物分类

针对成都平原落实最严格的耕地保护制度对耕地“非农化”“非粮化”快速、动态监测的需求,本文研究了基于多时相Sentinel-2数据的农作物分类方法,利用主成分分析,降低了冗余信息,提高了分类精度。以2021年成都平原崇州市的7景Sentinel-2多光谱影像为数据源,构建了时序多光谱、时序主成分波段、时序植被指数、典型时相多光谱+时序植被指数等4种分类数据集,开展基于支持向量机的主要农作物分类研究。研究表明:利用主成分分析,能有效提高主要农作物的用户精度,降低农作物分类的错分率;基于典型时相多光谱+时序植被指数的数据集取得了最高的总体精度。

基于空谱融合和随机多图的高光谱遥感图像农作物分类

针对高光谱遥感图像复杂农作物分类问题,提出了一种基于空谱融合和随机多图的高光谱遥感图像农作物分类方法。通过使用一种潜在特征融合和最优聚类(Latent Features Fusion and Optimal Clustering Framework,LFFOCF)的波段选择方法和分段主成分分析(Segmented Principal Component Analysis,SPCA)进行光谱降维,采用多尺度二维奇异谱分析(2-D-Singular Spectrum Analysis,2-D-SSA)应用于降维图像,以提取不同尺度的空间特征。将多尺度空间特征与主成分分析(Principal Component Analysis,PCA)得到的全局光谱特征融合送到随机多图(Random Multi-Graphs,RMG)中进行分类。在印度松树、萨利纳斯和龙口数据集上,所提出的方法与一些现有的方法进行了对比实验。实验结果表明,该方法的类别精度(Class Accuracy,CA)、总体分类精度(Overall Accuracy,OA)、平均分类精度(Average Accuracy,AA)和Kappa系数优于这些方法。

多模式组合的大区域地块级农作物分类方法研究

农作物精细分类信息是农作物监测的基础数据,随着遥感技术在农作物分类理论、技术、方法方面取得长足发展,基于多源多时序遥感影像的农作物智能识别得到越来越广泛的应用。对于大范围的地块级农作物种植结构调查而言,目前受限于训练样本不足、缺乏完备的农业调查统计体系等因素,遥感技术尚无法全面支撑农作物调查的工程化应用。针对目前智慧农业、精准农业管理等实际工作需求,本文提出了以“农业专题数据”为基底定量,以高分辨率遥感影像智能解译为基础,结合实地调查与人工编辑的一种“多模”组合下大范围的地块级农作物种植结构调查方法,并以齐齐哈尔市为例进行应用验证。利用混淆矩阵对农作物分类结果进行精度验证,总体精度和Kappa系数分别为94.66%和0.91,分类结果精度较高。通过验证,此种方法可准确获取地块级农作物分类空间数据,可以为精准农业、智慧农业管理提供准确数据支撑。

利用空间-光谱双分支特征和动态选择的高光谱影像农作物分类

高光谱遥感可以捕获地表近乎连续的光谱曲线,以较高的光谱诊断能力对地表农作物进行精细分类与识别。传统基于深度学习的高光谱分类算法中空间、光谱特征捕捉利用困难、冗余特征筛选能力不足、模型约束过于单一等问题,导致农作物类型复杂且样本分布不均区域分类模型性能下降。该研究提出一种基于空间-光谱双分支动态特征选择的高光谱分类算法,在结合通道注意力机制和空间注意力机制进行空间-光谱特征提取的基础上,通过门控卷积层对提取到的特征进行相关性的计算和处理,实现空间维度和通道维度上的特征动态选择,并分别从空间、光谱和联合特征3个角度对分类结果约束,结合分类损失函数实现高光谱影像的分类任务。结果表明,在JAAS(Jiangsu academy of agricultural sciences,江苏省农业科学院)高光谱农作物分类数据集上,该研究算法总体精度、Kappa系数分别为99.35%和99.20%,相较于专为高光谱分类设计的算法CDCNN(contextual deep convolution network,上下文深层卷积网络)、WCRN(wide contextual residual network,广义上下文残差网络)、DBDA(double-branch dual-attention mechanism network,双分支双注意力机制网络)、DCNN(dual-channel convolution network,双通道卷积网络)分别提升了4.91%和6.12%、6.82%和8.53%、2.12%和2.63%、2.04%和2.54%;在公开数据集WHU-Hi-HanChuan区域,总体精度、Kappa系数分别为99.49%、99.41%,相较于CDCNN、WCRN、DBDA、DCNN分别提升了1.67%和1.96%、3.23%和3.80%、2.00%和2.35%、1.10%和1.29%;在WHU-Hi-Longkou区域,总体精度、Kappa系数分别为99.8%、99.74%,相较于CDCNN、WCRN、DBDA、DCNN分别提升了1.30%和1.71%、0.59%和1.74%、0.71%和0.93%、0.57%和0.76%。所提方法在样本分布不均的不同作物识别上均具有较高的识别准确率,可为基于高光谱影像的地物复杂且样本分布不均地区的农作物分类提供指导。

基于随机森林算法的高光谱遥感作物分类

随机森林算法是近年来发展起来的一种新型算法,具有速度快、精度高等优势,综合性能优异。本文运用随机森林算法和Hymap高光谱数对几种常见的作物进行了分类识别,并与支持向量机的分类结果进行了对比,综合讨论了随机森林算法的优势与不足。实验结果表明:当实际参与训练的样本数目接近时随机森林算法的分类精度和运算速度都优于支持向量。在提取足够样本的情况下,随机森林能在保证精度的条件下节约大量时间,在大面积的遥感分类中具有较大应用潜力。

基于Sentinel-2遥感影像的农作物分类与适宜性评价

农作物种植结构信息是作物长势监测和农业结构调整的重要参考依据,及时准确地通过土地分类和农作物适宜性评价获取农作物空间分布与适宜性种植信息对农业可持续发展意义重大.该文以河北张家口沽源县为研究对象,利用Sentinel-2多光谱数据提取的NDV,NDBI,NDWI,NDRE1,SR_(re)和CI_(red-edge)数据为特征,分别采用SVM支持向量机、决策树法、随机森林法对研究区内典型农作物进行精细化提取,探究主要作物空间分布情况,并通过对比kappa系数探讨不同方法对农作物分类的精度,选择最优分类方法.选取土壤性质、土壤侵蚀度、高程、坡度、坡向5个指标建立农作物适宜性评价体系,采用GIS层次分析法与土地适宜性分级指标对沽源县农作物适宜性进行评价.结果表明:基于随机森林分类法对研究区内8种主要农作物进行分类的精度最高,其总体准确率为65.10%,Kappa系数为0.5871;研究区内主要农作物在空间上整体呈现出镶嵌结构;研究区内中度适宜种植当地主要农作物的用地面积最大,其次是适宜种植面积居中,不适宜种植地区的面积最小.

基于高分辨率图像的多尺度作物分类

基于无人机平台获取的地面影像有着较高的空间分辨率,但提供丰富的细节信息的同时,也为农作物分类带来很多“干扰”,尤其是在利用深度模型进行作物识别时,存在边缘信息提取不充分及相似纹理作物误分,导致分类效果欠佳等问题.因此,通过多尺度注意力特征提取的思路构建模型,有效提取边缘信息,提高作物分类精度.所提出的多尺度注意力模型(multi-scale attention network,MSAT)通过多尺度块嵌入获取同一层级不同尺度的作物信息,多尺度特征图被映射为多条序列独立地馈送到因子注意力模块中,增强对农作物上下文信息的关注,提高模型对地块边缘信息的提取,因子注意力模块内置的卷积相对位置编码增强块内部局部信息的建模,提高对相似纹理作物的区分能力,最后通过融合局部特征与全局特征,实现粗细双重信息的提取.在水稻、甘蔗、玉米、香蕉和柑橘5种作物上的分类结果表明,MSAT模型的MIoU(mean intersection over union)和OA(overall accuracy)指标达0.816、98.10%,验证了基于高分辨率图像的精细作物分类方法可行且设备成本低.

引入自注意力U-Net的无人机遥感农作物分类模型

精准农业是指信息技术与农业生产全面结合的新型农业。农作物信息和数据是精准农业中最核心的内容,通常使用无人机遥感技术获取农作物信息和数据。文中首先利用无人机采集农田数据,并根据地面参考数据以及相关资料,利用人工标注构建无人机遥感农田样本数据集,利用数据增强的策略扩充样本数据集;其次,提出一种改进的U-Net模型,即自注意力U-Net模型,将其应用于农作物分类。所提模型在传统U-Net的基础上加入自注意力机制,能够提高模型的特征学习能力以及泛化能力。使用所提方法在无人机遥感农田数据集上进行实验得出,与基线模型相比,所提模型能够提升农作物分类性能。

基于多源数据的遥感影像农作物分类方法

利用遥感影像对农作物进行分类从而获取不同作物的空间分布,对农作物估产和农业政策制定等具有重要意义。由于不同农作物之间存在异物同谱或同物异谱的现象,从单一时相的影像中很难获得准确的作物分类结果.基于此,以河北省定州市的某农场为研究对象,首先利用哨兵1号(Sentinel-1)影像的后向散射系数进行预分类,其次利用哨兵2号(Sentinel-2)影像构建归一化植被指数(Normalized Difference Vegetation Index,NDVI)时间序列进行分析,最后采用支持向量机(Support Vector Machine,SVM)对哨兵2号影像进行分类。

利用多时相TM影像进行作物分类方法

多时相遥感影像比单时相具有更丰富的特征信息,在作物分类识别中具有重要意义。利用3景不同时相的TM卫星遥感影像,在分析主要地物光谱特征的基础上,将能够突出反映植被生长状态及植被覆盖度信息的指示因子NDVI作为一个新光谱特征波段,设计了决策树分类算法,通过对分类影像进行系列阈值分割、掩膜处理,并结合辅助背景数据及专家知识,成功提取黑龙江军川农场的大豆、玉米和水稻的种植信息,分类总体精度达到85.87%。

基于无人机遥感可见光影像的北疆主要农作物分类方法

作物类型准确分类是大田作业和管理的基础。该文通过无人机遥感试验获取的可见光影像,利用色彩空间转换和纹理滤波构建了色调、饱和度和亮度的27项纹理和低通滤波特征;然后采用Relief F-Pearson特征降维方法,剔除分类能力弱且相关性高的冗余特征;最后,基于优选特征训练分类模型,并结合人工分类结果对各模型进行精度比较和效果验证。结果表明:特征选择得到的H-CLP、H-Ent、I-Cor、I-CLP、I-Ent、S-CLP和I-Var是利用可见光影像进行北疆主要农作物分类的最佳特征,可在充分表征影像特征的同时降低数据冗余。支持向量机(support vector machine,SVM)分类方法精度最高,整体分类准确率达83.77%,ANN和KNN分类精度次之。通过在验证区进行像素级别作物分类,发现SVM分类方法效果最好,棉花、玉米、苜蓿和西葫芦作物分类精度均达到了80%以上。该研究可为基于无人机可见光影像的农作物种植信息普查提供参考。

基于Sentinel-1和Sentinel-2数据融合的农作物分类

基于光学影像的遥感技术受云雨、昼夜影响较大,导致获取连续的作物时序生长曲线较困难,而雷达影像作为主动式成像,能够很好地克服这一缺陷。本文以陕西省渭南市大荔县某农场为研究区域,分别采用最大似然法(Maximum likelihood,ML)和支持向量机(Support vector machine,SVM)2种方法,融合Sentinel-1雷达影像和Sentinel-2光学影像,提高农作物的分类精度。研究结果表明,融合数据的农作物分类精度相比光学数据分类精度有所提高。在无云层覆盖的情况下,利用SVM方法融合Sentinel-2的红、绿、蓝、近红外4个波段数据与Sentinel-1数据,总体分类精度提高了2个百分点,Kappa系数提高了5个百分点;在有少量云层覆盖情况下,利用ML处理融合数据的分类结果精度和Kappa系数分别提高2个百分点和4个百分点,SVM方法下的分类精度提高了6个百分点,Kappa系数提高了8个百分点。

基于时序Sentinel-2影像的现代农业园区作物分类研究

快速、准确地掌握作物空间分布,估算不同作物种植面积及范围,这对制定宏观农业政策并指导农民进行农业生产具有重要意义。以我国内蒙古自治区扎赉特旗现代农业示范园区为研究区域,基于2019年5月至10月共9景多时相Sentinel-2卫星遥感影像,通过计算并分析不同作物归一化差值植被指数(NDVI)、比值植被指数(RVI)、增强型植被指数(EVI)等多种典型植被指数和近红外波段Ref(NIR)的时序变化特征,采用随机森林(Random Forest,RF)、决策树(Decision Tree,DT)、支持向量机(Support Vector Machine,SVM)和最大似然法(Maximum Likelihood,ML)4种分类方法对研究区多种作物进行分类识别,成功提取园区内主要作物(水稻、玉米、甜叶菊、旱稻和大豆等)空间分布情况。将RF结果与DT、SVM和ML分类结果对比,结果显示,RF总体分类精度最高,达到95.8%,Kappa系数为0.944;DT、SVM和ML分类精度分别为92.2%、91.6%和86.5%。上述研究结果表明,多时相Sentinel-2遥感影像经过光谱指数时序变化特征提取后,利用随机森林算法进行作物分类可得到精度较高的结果,这为精细指导规模化园区农业生产提供了有效的技术支持。

基于深度语义分割的无人机多光谱遥感作物分类方法

为精准获取农田作物种植分布信息以满足农业精细化管理需求,基于Deep Lab V3+深度语义分割网络提出了一种面向无人机多光谱遥感影像的农田作物分类方法。通过修改输入层结构、融合多光谱信息和植被指数先验信息、并采用Swish激活函数优化模型,使网络在响应值为负时仍能反向传播。基于2018—2019年连续2年内蒙古自治区河套灌区沙壕渠灌域的无人机多光谱遥感影像,在2018年数据集上构建并训练模型,在2019年数据集上测试模型的泛化性能。结果表明,改进的Deep Lab V3+模型平均像素精度和平均交并比分别为93.06%和87.12%,比基于人工特征的支持向量机(Support vector machine,SVM)方法分别提高了17.75、20.8个百分点,比Deep Lab V3+模型分别提高了2.56、2.85个百分点,获得了最佳的分类性能,且具有较快的预测速度。采用本文方法能够从农田作物遥感影像中学习到表达力更强的语义特征,从而获得准确的作物分类结果,为利用无人机遥感影像解译农田类型提供了一种新的方法。

基于多时相Sentinel-2A的县域农作物分类

利用遥感技术精准地获取区域农作物种植结构数据,对指导农业生产、制定农业政策具有重要意义。以景泰县为研究区,以多时相Sentinel2A遥感影像为数据源,计算时序归一化植被指数(Normalized difference vegetation index,NDVI)和红边归一化植被指数(Red edge normalized vegetation index,RENDVI)及其组合特征(NDVI+RENDVI、NDVI RENDVI和NDVI&RENDVI),分析作物特征曲线,并采用随机森林法分别以5种特征参数作为分类特征对研究区农作物进行精细分类。结果表明:根据形态特征,研究区农作物特征值曲线可划分为3种类型:高值型(玉米、水稻、胡麻和马铃薯)、低值型(洋葱、大棚作物和砂田瓜果)和开口型(春小麦、春小麦秋油葵)。高值型和低值型可在7、8月影像中区分,开口型和前两种类型在5月和9月影像上的特征值有明显差异。3种类型内的作物可以通过不同时相影像区分,高值型的4种作物在9月影像上通过成熟期差异可以区分;低值型的3种作物的特征值差异在全年影像上都可以明显体现;开口型的两种作物利用9月影像可以明显区分。利用NDVI、RENDVI、NDVI+RENDVI、NDVI RENDVI和NDVI&RENDVI 5种特征分类的总体精度分别为82.14%、78.16%、81.17%、75.64%和86.20%,Kappa系数分别为0.78、0.74、0.77、0.71和0.83,总体精度和Kappa系数由大到小依次为NDVI&RENDVI、NDVI、NDVI+RENDVI、RENDVI、NDVI RENDVI,说明RENDVI辅助NDVI可以有效提高分类精度(精度较仅用NDVI提高4.06个百分点)。选择合适的时期和分类特征,利用Sentinel2A特有的红边波段数据及其较高的空间分辨率在县域农作物精细分类上具有较好的精度。

基于卷积神经网络的无人机遥感农作物分类

针对采用长时间序列卫星影像、结合物候特征进行农作物精细分类识别精度较低的问题,将深度学习用于无人机遥感农作物识别,提出一种基于卷积神经网络的农作物精细分类方法,利用卷积神经网络提取高分辨率遥感影像中的农作物特征,通过调整网络参数及样本光谱组合,进一步优化网络结构,得到农作物识别模型。研究结果表明:卷积神经网络能够有效地提取影像中的农作物信息,实现农作物精细分类。除地块边缘因农作物种植稀疏、混杂而产生少许错分现象外,其他区域均得到较好的分类效果。经训练优化后的模型对3种农作物总体分类精度可达97.75%,优于SVM、BP神经网络等分类算法。

农作物分类成数的精度检验

选择山西太谷一个 5km× 5km的实验区 ,利用样条采样框架结合GVG农情采样系统调查农作物分类成数。同时借助QuickBird甚高分辨率遥感影像进行地面作物种植地块勾绘 ,并派出地面调查队伍进行作物填图 ,统计汇总出的农作物分类成数的真实值。然后将两种不同方法得出的分类成数进行对比 ,发现利用样条采样框架和GVG农情采样系统对于大宗粮食作物分类成数的调查相对误差在 3%以内 ,能够满足中国农情遥感速报系统的运行需要。而对于小成数作物的调查精度较低 ,且存在漏采现象 ,不能满足需求 ,同时也由于漏采现象的存在和图片判读的主观性。利用样条采样框架和GVG农情采样系统获取的大宗作物分类成数略大于真实值 ,存在少量的系统误差 ,需要进行地面验证并加以克服。

基于多时相Sentinel-2卫星数据的农作物分类研究

【目的】探究研究区农作物分类最佳时相;结合遥感指数探究一种有效的多时相分类方法,提取主要农作物种植分布情况。【方法】基于多时相Sentinel-2卫星数据,采用支持向量机的分类方法对不同时相进行分类,对比分类精度;融合时间序列的NDVI、MNDWI指数之后采用支持向量机的方法进行分类,之后分别利用MNDWI和CI指数结合决策树的分类方法提取水域和田埂。【结果】7月份的分类效果最好,总体精度达到91.05%,Kappa系数达到0.8518;通过时相数据不同组合的分类精度比较,采用3-10月NDVI数据叠加后分类的效果较好,总体精度达到92.25%,Kappa系数达到0.8736;对比3种不同分类方法,以支持向量机的分类结果精度最高,总体精度达到94.19%,Kappa系数达到0.9024。【结论】7月份是研究区农作物分类的最佳时相;多时相分类精度明显高于单景数据分类;结合多时相NDVI、MNDWI、CI 3种遥感指数进行分类可以有效提取研究区主要农作物的种植分布情况。