基于改进YOLOv3的圆形农田检测

由于数据的缺乏,针对高分辨率遥感影像中的圆形喷灌农田目标检测的研究较少,为此提出基于改进YOLOv3的圆形农田检测方法。基于高分辨率遥感影像建立圆形农田数据集;构建深度学习目标检测模型,选定单阶段检测模型YOLOv3并作如下改进:用Resnet替换骨干网中原本的Darknet53特征提取网络;将检测头中的单向特征金字塔改进为双向特征金字塔;应用Dropblock正则化,综合考虑改进方案,最终搭建RD_YOLOv3检测模型。实验结果表明,在公开遥感数据集HRRSD上,RD_YOLOv3的mAP为86.72%,相对于原版YOLOv3可提高1.27%。在我国西北地区圆形灌溉农田数据集上,RD_YOLOv3的mAP可达92.38%,具有较好的应用效果。该研究可以为遥感图像目标检测和生态治理乡村振兴提供一定的参考价值。