基于哨兵2号多光谱影像的水稻倒伏识别与分类

为加强对粮食生产区水稻倒伏面积、位置及严重程度的识别和监测,基于黑龙江红卫农场2019年9月22日的哨兵2号卫星多光谱遥感影像计算水稻的光谱反射率、植被指数以及图像纹理3种特征,利用决策树分类法对倒伏水稻进行识别和分类。首先根据现场调查和目视解译结果选定倒伏水稻样点,分析正常、轻度倒伏、中度倒伏、重度倒伏4种倒伏类型水稻的光谱反射率特征,发现在绿光、红光、红边3以及近红外1处存在较大差异。植被指数特征中,NDVI和RVI均随水稻倒伏程度加深而下降,GRVI、DVI和NDREⅠ则在水稻倒伏后逐渐增加。其中,不同倒伏类型水稻的DVI显示出了较大的差异。4种水稻倒伏类型在可见光波段的均值纹理特征差异显著,尤其是蓝光波段的纹理均值是区分不同倒伏类型的重要特征。基于对水稻倒伏敏感的特征量构建决策树,成功区分了正常、轻度倒伏、中度倒伏和重度倒伏4种倒伏类型,与实际倒伏面积对比的识别误差分别为5.33%、6.51%、10.25%和-7.75%,识别的准确度较高。

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

[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F_1-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/m~2,高于40 m图像183.12 fps/m~2。[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。

融合多尺度特征和注意力机制的油菜倒伏分类

倒伏是限制油料作物高产、稳产、优产的主要因素,对油菜倒伏类型的实时监测与评估对于油菜预产和品种选育至关重要。该研究提出一种无人机可见光影像下融合多尺度特征和注意力机制的油菜倒伏分类方法,对绿熟期和黄熟期的倒伏级别进行分类鉴定。首先,设计一种图像分类模型NGnet(nam-ghost network),用于对角果期的油菜倒伏程度进行分类。该网络采用改进的GhostBottleNeck模块,融入利用权重因子来体现重要特征的注意力机制模块NAM(normalization-based attention module),再将不同尺度的注意力特征进行融合,以降低模型参数量、提高准确率;其次,构建使用无人机高空遥感正射影像的油菜倒伏数据集(rape lodging dataset, RLD),该数据集由5 789张分辨率为3×255×255且人工标注倒伏级别的小区影像构成;最后,将NGnet模型在RLD数据集上的进行验证,准确率达到85.10%,比T2T-VIT、SwinTransformerV2、MobileNetV3、Res2Net、RepVGG和RepLKNet分别高出15.6、11.92、7.01、6.22、6.08、2.37个百分点。试验结果表明,NGnet模型对油菜倒伏分类任务是有效的,可为基于无人机RGB影像的油菜倒伏鉴定和良种选育等提供参考。

基于无人机遥感技术的水稻倒伏区域识别研究

针对大范围水稻区域难以识别的问题,基于无人机遥感技术建立了水稻倒伏区域识别系统,主要由硬件系统和软件系统组成。对硬件系统和软件系统进行设计,包括采用补偿的方式降低飞控系统误差,采用改进的加权支持向量数据描述分类方法进行水稻倒伏区域的识别,使系统能够识别水稻倒伏区域。为验证该系统性能,进行了无人机飞行试验和水稻倒伏区域识别试验。结果表明:系统可以使无人机按照预设路径飞行,能够准确地识别水稻倒伏区域。

人工智能技术在收获机收获倒伏农作物自动识别技术中应用研究

简要分析作物倒伏状态和传统收割机的识别方法,重点研究基于视觉倒伏识别原理,基于人工智能技术基础上,分析研究如何通过神经网络感知和识别倒伏数据信息,同时研究搭建深度学习软件框架系统,系统研究分析人工智能技术在作物倒伏识别方法和原理。