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。

基于无人机可见光图像的作物分类研究

【目的】采用无人机遥感技术对作物进行分类识别,为及时获取农田信息、制定农田管理策略及产量估测提供技术支持。【方法】采用无人机遥感平台,获取试验区域玉米、桃树、菜花、大豆的可见光正射影像;利用HSV色彩空间转换和纹理滤波,获取不同地物的24项纹理特征与3项色彩特征。分别通过ReliefF算法及基于支持向量机的递归特征消除算法(support vector machine-recursive feature elimination,SVM-RFE)进行特征选择与分类,建立6种监督分类模型,利用得到的特征子集对其进行训练,对各模型分类效果进行精度评价。【结果】由SVM-RFE特征子集训练的6种监督分类模型测试集的分类精度均高于80%,分类精度平均提高5.023%,优于ReliefF特征子集训练的监督分类模型,其中SVM-RFE特征子集与支持向量机模型组合对作物的监督分类效果最佳,总体精度达83.417%,Kappa系数为78.60。【结论】基于无人机遥感技术的作物分类识别是可行的。

基于Sentinel-2遥感影像的作物信息提取与需水量分析研究

气候变化扰动的水资源稀缺性使得农业可持续水资源利用面临危机,节水农业是现代社会农业转型的主要方式,更是可持续发展的根本出路。黑河流域是我国第二大内陆河,中游绿洲是我国的重要粮食生产基地,了解黑河流域的作物种植信息与作物需水特征,对于指导干旱半干旱区农业高效用水及国家粮食安全具有重要意义。基于Google Earth Engine(GEE)云平台利用Sentinel-2影像,结合黑河流域作物的物候特征选取了6-9月的影像数据,根据作物的物候特征重要性完成了特征优选。研究运用随机森林、支持向量机、决策树及投票法分类器完成了作物的识别分类与结果对比。最后,研究通过CROPWAT模型估算了黑河流域作物的需水量与灌溉用水量。研究结果表明:①GEE能够快速完成影像数据的去云、特征构建等预处理;②基于决策树分类器的土地分类结果精度达到82.5%,平均Kappa系数为0.73;估算了作物各个时期所需水量及灌溉用水量。构建的分类体系及作物的需水量估算为精准化管理、灌溉控制系统提供了一种新思路。

基于BP神经网络的油菜籽遥感识别研究

针对传统分类方法易受到"同物异谱"和"异物同谱"的影响,农作物遥感分类准确性较低的问题,本文以四川盆地内的川中丘陵和川西成都平原为主要研究区域,选用Landsat-8OLI遥感数据,构建了基于BP神经网络的土地覆盖分类模型,应用于研究区的主要作物油菜籽识别研究。以两幅Landsat-8 OLI遥感数据的14个波段作为输入,不断调节分类参数,最终确定了最优分类网络结构。结果显示,BP神经网络法油菜籽的分类总体精度为81.28%,较最大似然法提高了25.12个百分点,Kappa系数也有所提高。基于BP神经网络的遥感分类模型可高效精确地识别油菜籽。