基于深度学习的无人机遥感小麦倒伏面积提取方法

摘要：

为及时准确地提取小麦倒伏面积,提出一种融合多尺度特征的倒伏面积分割模型Attention_U2-Net.该模型以U2-Net为架构,利用非局部注意力(Non-local attention)机制替换步长较大的空洞卷积,扩大高层网络感受野,提高不同尺寸地物识别准确率;使用通道注意力机制改进级联方式提升模型精度;构建多层级联合加权损失函数,用于解决均衡难易度和正负样本不均衡问题.Attention_U2-Net在自建数据集上采用裁剪方式提取小麦倒伏面积,查准率为 86.53％,召回率为 89.42％,F1 值为 87.95％.与 FastFCN、U-Net、U2-Net、FCN、SegNet、DeepLabv3 等模型相比,Attention_U2-Net具有最高的F1值.通过与标注面积对比,Attention_U2-Net使用裁剪方式提取面积与标注面积最为接近,倒伏面积准确率可达97.25％,且误检面积最小.实验结果表明,Attention_U2-Net对小麦倒伏面积提取具有较强的鲁棒性和准确率,可为无人机遥感小麦受灾面积及评估损失提供参考.

关键词：小麦、无人机遥感、倒伏面积提取、深度学习、U2-Net

所属期刊栏目：53

分类号：S126;S252(农业物理学)

资助基金：河南省科技攻关计划项目;河南省科技攻关计划项目;国家自然科学基金;河南省农业科学院农业经济与信息研究所科技创新领军人才培育项目;河南省农业科学院科技创新团队项目

在线出版日期：2022-10-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：252-260,341