多源多时相遥感数据在冬小麦识别中的应用研究

当前基于多时相遥感数据进行作物识别时往往只用到了单一的数据源,未能充分利用作物的时相特征和光谱特征。该文以胶东半岛为例,在冬小麦识别研究中采用一种基于多源多时相遥感数据的方法,利用MODIS ND-VI产品和TM数据将冬小麦的时相特征识别与光谱特征识别充分结合。首先,基于4个时相的MODIS NDVI产品影像生成冬小麦掩膜,将冬小麦与其他作物区分开;然后将冬小麦掩膜应用于TM影像,并通过TM光谱识别的方法提取冬小麦,冬小麦识别精度达92.39%。

高分一号归一化植被指数时间序列用于冬小麦识别

针对现阶段归一化植被指数(Normalized Difference Vegetation Index,NDVI)时间序列空间分辨率普遍较低的问题,提出利用高分一号16m数据构建高空间分辨率NDVI时间序列。鉴于当前NDVI时间序列冬小麦识别方法比较复杂的问题,提出了空间向量法、曲线积分法和坐标转换法3种冬小麦识别模型。经研究区试验分析,发现以上3种方法均达到了较好的识别效果,其中空间向量法、坐标转换法的总体精度都达到98.65%;同当前流行的决策树分类方法相比较,这3种方法操作简单,且精度更优,具有较好的实用意义。

基于ResNet和ViT双流网络的小麦病虫害识别

针对小麦病虫害识别过程中,传统深度学习模型表现不稳定、识别精度低、泛化能力有限的现状,提出了新的双流网络模型,即结合ResNet和ViT以提高识别准确性。该方法融合了卷积神经网络处理图像局部结构,同时利用Transformer捕捉长距离依赖关系,改进了识别性能。通过2070张小麦病虫害图片数据集训练验证,调整ResNet50和ViT预训练模型参数,结果显示,双流模型在训练集上达96.5%准确率,在验证集获0.94的F_(1)分数,明显优于其他主流单一模型。结果证实,新模型在小麦病虫害识别卓越性能,为其在智能农业系统中广泛应用提供潜力。

基于时间序列MODIS-NDVI的冬小麦遥感识别

利用TM影像更新研究区的土地利用数据,提取冬小麦可能出现的区域作为掩膜限定识别范围,从而可以减少其他植被类型信息的干扰;通过选取冬小麦样点,在时间序列NDVI数据中提取纯冬小麦的时序曲线,根据曲线特征构建时相识别模型;在限定的范围内根据识别模型提取冬小麦,进而将两个尺度数据进行综合处理和面积统计,冬小麦面积为268.65×10~3 hm^2;利用统计年鉴数据和随机抽样两种方法进行精度分析,结果显示面积精度为91.56%,位置精度为87.46%。与实地调查和人工解译相比,大大提供了工作效率,减少了工作量,适用于大面积区域尺度的冬小麦监测。

多源遥感数据小麦识别及长势监测比较研究

小麦是我国主要的农作物之一,对于我国的经济发展有着重要意义。遥感技术经过不断发展,已成为提取小麦及长势研究的重要手段。利用高光谱珠海一号OHS-2A卫星、多光谱Sentinel-2A卫星以及MODIS等多源遥感数据,以雄安为研究区,采用支持向量机的方法进行小麦提取,结合野外实测数据利用混淆矩阵进行精度评价分析;分别对比小麦的两个重要生育期返青期和抽穗期,将小麦长势分为3个等级(按长势较好、长势持平、长势较差)进行长势监测比较。研究表明:环境条件相同下,OHS-2A的总体精度为82.08%,Kappa系数为0.76;Sentinel-2A的总体精度为85.57%,Kappa系数为0.81,相比之下Sentinel-2A对于小麦的识别效果最佳。在进行长势监测中,对比小麦各长势情况及长势变化相对幅度,Sentinel-2A数据比MODIS数据对于雄安小麦的长势监测及研究分析更有效。采用多源遥感数据分析雄安小麦识别及长势监测情况,有利于小麦种植管理,这对于推动绿色雄安有着重大意义。

基于全局自注意力的小麦图像识别

在实际应用场景下,通过图像识别的方式来识别小麦的病虫害具有极大的挑战性。与以往纯粹基于卷积神经网络(Convolutional Neural Network,CNN)的方法相比,将小麦图像转换成一系列视觉语言,并从全局视角进行小麦识别的方法是更可行和实用的。运用Convolutional Visual Transformers(CVT)来解决小麦识别分为2个环节。首先,利用2分支CNN生成的2种特征图来实现注意选择性融合(Attentional Selective Fusion,ASF)。ASF通过融合多个特征和全局-局部注意力来获取有区别的信息,并投射成一系列的视觉语言。其次,受Transformers在自然语言处理方面的成功启发,用全局自注意力来建模这些视觉语言之间的关系。将CVT与经典分类网络LeNet-5、ResNet-18、VGG-16、EfficientNet对比,识别率有所提升,同时该方法具有良好的泛化能力。

基于高分一号宽幅时序影像的冬小麦分布识别研究

及时、准确地获取农作物空间分布范围和面积数据,对于制定农业政策和指导农业生产具有重要的参考意义。以河南省中牟县为研究区,利用国产高分一号时序影像开展冬小麦提取研究,利用冬小麦物候特征,结合先验知识和高分影像,提取了2018年夏收冬小麦的空间分布范围。结果表明,结合冬小麦物候信息和时序影像建立冬小麦提取模型,可以快速准确获取冬小麦的种植范围,总体精度达到90.1%,为县域冬小麦的快速提取提供方法参考。

基于CNN-DBN的小麦不完善粒识别技术研究

针对在实际应用场景下,小麦不完善粒识别数据较少所产生识别率不佳的问题,提出并实现了基于迁移学习的CNN-DBN小麦不完善粒识别方法。利用基于大型公开数据集ImageNet的预训练深度卷积神经网络(CNN)中的VGG-16、VGG-19和ResNet50进行小麦特征提取,将获取的特征加以融合并输送至深度信念网络(DBN)进行分类。结果表明:CNN和DBN结合的方法用于小麦不完善粒识别,其中迁移学习VGG-16+VGG-19+ResNet50-DBN模型性能最好,其测试准确率可达91.86%;CNN-DBN模型既避免了小麦复杂的特征提取步骤,又使不完善粒识别因数据集规模小而导致识别率不理想的问题得到了改善;特征融合的方法使提取到的小麦图像信息更加丰富、全面。CNN-DBN模型结合了有监督网络和无监督网络的优点,对高维数据有更好的分类能力,为小麦不完善粒识别提供了理论支持。

结合图像增强和卷积神经网络的小麦不完善粒识别

针对实际应用场景下,小麦籽粒图像背景单一以及小麦不完善粒的不完善特征大多是局部特征而大部分图像特征与正常粒无异的特点,提出一种基于细节的图像增强(IE)的小麦不完善粒识别方法。首先,使用交替最小化算法约束原图在水平方向和竖直方向的L0范数来平滑原图作为基础图层,并用原图减去基础图层得到图像的细节层;然后,突出细节层后将其与基础图层叠加以增强图像;最后,将增强后的图像作为卷积神经网络(CNN)的输入,使用加入了批正则化(BN)层的CNN对图像进行识别。分别以经典分类网络LeNet-5、ResNet-34、VGG-16和在其中添加BN层的这些网络作为分类网络,增强前后的图像作为输入来进行分类实验,并以测试集准确率评估性能。实验结果表明,三个经典分类网络均在添加了BN层后而使用相同输入时的测试集准确率提高了5个百分点,在使用细节增强后的图像作为输入时三个网络的测试集准确率提高了1个百分点,以上二者联合使用时三个网络均获得超过7个百分点的测试集准确率提升。

基于高光谱融合图像的小麦不完善粒识别

在小麦不完善粒识别中,高光谱图像的光谱特征信息与高分辨率图像的空间结构信息对不同类别小麦的识别有着各自的优势。单纯地利用一种图像源进行小麦识别,无法解决单种数据源的信息局限性。首先通过将高光谱图像进行波段选择和分段主成分分析(PCA)数据降维,然后与高分辨率图像进行配准融合,用新的融合图像作为数据源来进行小麦分类识别。最后新的数据源在结合特征金字塔改进的VGG卷积网络识别算法中,平均识别率相较于高光谱图像和高分辨率图像分别提高6.08%以及3.34%。新数据源有效地融合两种信息源识别小麦的优势,提升识别准确率,进一步推进小麦不完善粒检测技术的发展。

基于卷积神经网络和迁移学习的小麦病虫害识别

为实现对小麦病虫害的高效识别检测,构建了小麦病虫害精准识别网络模型。首先,利用AlexNet、VGGNet16、Inception-V3等3种类型的卷积神经网络构建了3种小麦病虫害分类模型,通过对模型平均识别准确率和处理速度两个指标的对比,优选出VGGNet16作为基础网络。然后,通过添加随机噪声和随机滤波、随机旋转和随机色彩抖动对训练集进行数据扩充,基于数据扩充前后的样本集,对VGGNet16网络进行仅训练全连接层和训练所有层两种方式的迁移学习,并分别在渐变学习率和不变学习率条件下进行训练。训练结果表明:数据扩充有助于增加数据的多样性,避免出现过拟合现象;训练所有层的迁移学习方式能够明显提高模型的分类准确性;渐变学习率可以有效加快模型的收敛;基于扩充数据集,使用训练所有层的迁移学习方法,在渐变学习率条件下训练的模型效果最佳,平均识别准确率高达95%,说明该模型在小麦病虫害精准识别上具有广泛的应用前景。

基于卷积神经网络的小麦病害识别研究

针对小麦病害识别的现实需求,探索了采用卷积操作和Inception结构块构建简约的小麦病虫害识别模型,在模型设计过程中采用5种数据增强手段和批标准化操作来提升模型对小麦病害识别的准确度。实验结果显示,论文提出的模型稳定性强,准确率较高,且参数规模小,适用于实际生产的应用环境。

基于麦穗特征的小麦品种BP分类器设计

小麦的穗部形态参数是直接反映小麦生长状况的重要参数,也是育种和考种专家关心的重要参数。但由于小麦的品种繁多,发展新型技术快速识别小麦品种是减少工作人员工作量的有效措施。基于数字图像分析,利用小麦穗部芒个数、芒长、穗长、RGB颜色的外部形态特征,对新疆的4个春小麦品种共40个样本进行了分类识别。利用提取的其中8个特征参数,设计了一个3层的BP神经网络分类器,平均准确识别率在85%以上,其中2个小麦品种的准确识别率达到了100%。通过图像处理的方法提取小麦的芒长、芒个数和穗长并基于这些参数来识别小麦的品种完全可行。

深度学习在小麦害虫分类研究中的应用

【目的】基于深度学习的小麦害虫高效识别方法有助于害虫的及时防控,极大程度地保障粮食质量安全。【方法】首先,在IP102小麦害虫数据集的基础上,提出结合增广和Real-ESRGAN超分辨率增强的技术方案,重新制作了高质量小麦害虫数据集:IP-AugESRWheat,有效突破了小麦害虫数据集面临的类别不平衡、规模小、分辨率低的局限。其次,提出轻量高效的ECA-EffV2模型,增强模型对小麦害虫的特征提取能力。【结果】改进前的准确率为72.5%,参数量为21.46 M,改进后准确率达到94.8%,参数量降到17.76 M。【结论】提出的协同增广增强的技术策略及高效轻量的模型为小麦害虫图像识别任务提供了有效的技术方法和数据支撑,对可持续小麦生产和农业生态发展具有重要价值。

通过软硬变化检测识别冬小麦

提出一种软硬变化检测的作物识别方法 SHLUCD(Soft and Hard Land Use/Cover Change Detection Method)。该方法利用多期遥感影像能够有效表达作物的生长物候特征,以达到在离散变化区(即纯净像元区,包括完全转换成作物的突变区域和非作物区域)和连续变化区(即渐变区,混合像元区,是部分转化为作物的区域)准确进行作物的识别。在北京市选择一个研究区,以冬小麦为研究对象,选用2011年10月6日(播种期)和2012年4月16日(拔节期)两期环境减灾1号卫星影像,分别采用硬变化检测方法 HLUCD(Hard Land Use/Cover Change Detection Method)、软变化检测方法 SLUCD(Soft Land Use/Cover Change Detection Method)和SHLUCD进行冬小麦的识别。实验结果表明:在不同尺度窗口下,SHLUCD较传统方法表现出较明显的优势,具有更低的均方根误差RMSE(SHLUCD为[0.14,0.07],HLUCD为[0.15,0.07],SLUCD为[0.16,0.08])和偏差bias(SHLUCD为-0.0008,HLUCD为-0.007,SLUCD为0.014)和更高的决定系数R2(SHLUCD为[0.68,0.86],HLUCD为[0.62,0.86],SLUCD为[0.60,0.86])。针对冬小麦突变区域、冬小麦渐变区域和非冬小麦区域分别进行评价,表明SHLUCD识别精度接近各区最佳的识别方法,进一步验证了SHLUCD的灵活性和适用性。SHLUCD方法在离散变化区能够通过土地覆盖类型状态变化来有效地识别出冬小麦,在连续变化区可识别出土地覆盖的状态变化程度定量表达冬小麦的丰度,是其他作物多时相遥感变化检测的前期实验基础。

一种改进的时间序列下冬小麦遥感识别方法

针对现有归一化植被指数(NDVI)阈值方法提取冬小麦种植面积受主观因素影响大,建立的模型不具有普适性等问题,该文以Sentinel-2为数据源,冬小麦种植大县———河南省开封市祥符区(原开封县)为实验区,对基于NDVI时间序列建立的冬小麦识别方法进行改进,使用迭代处理方法改进标准时间序列曲线的确定,提取NDVI时间序列的距离、方向特征以及物候期内最大NDVI值作为识别特征参量,运用数学统计方法确定分类模型阈值,据此构建一种改进的时间序列下冬小麦遥感识别矢量模型。结果表明,该方法对冬小麦遥感识别效果较好,提取的冬小麦种植面积Hellden精度达到92.23%。

The Study of Using Near-infrared Diffuse Reflectance Spectroscopy Rapid Identify Wheat Drought Resistance-Ⅱ

[Objective] The aim was to build an evaluation method rapidly identifying wheat drought tolerance with near infrared diffuse reflectance spectroscopy. [Method] In the research, 36 wheat varieties in 2007-2009 were chosen and drought-tolerance degrees of wheat were graded and identified according to Winter-wheat Drought Tol- erance Evaluation Technical Standards （GB/T 21127-2007）, and harvest wheat grains underwent spectrum collection, with a full-spectrum analyzer, to establish a database. [Result] Based on qualitative analysis and full-spectrum correlation research, the coef- ficient of determination （RSQ） and cross-validation coefficient of determination （1-VR） were concluded at 0.697 5 and 0.600 2, showing near-infrared diffuse reflectance spectroscopy is of significant differences among wheat varieties and of significant or extremely significant correlation with drought-tolerance indices. [Conclusion] The re- search indicates that to evaluate drought-tolerance of wheat with near-infrared diffuse reflectance spectroscopy is a rapid and feasible way, which is simple, convenient without damages on grains, and of practical values for construction wheat drought-tol- erance evaluation index system and identification of breeding materials.