10.7621/cjarrp.1005-9121.20200418
基于无人机影像的冬小麦深度学习分类
[目的]传统分类方法存在人为主观选择特征、 模型无法在大范围泛化的问题,文章利用非监督特征学习的深度学习方法进行冬小麦识别,以解决传统分类方法无法在大范围进行自动化作物识别的不足.[方法]该文集成残差网络(Residual Nets,ResNets)和金字塔场景解析网络(Pyramid Scene Parsing Network,PspNets)构建Res.PspNet,进行冬小麦深度学习自动化分类.在山东全省获取80个村的无人机航拍影像,利用米级遥感影像和对应的标记样本作为"海量标记样本"训练土地覆盖识别模型,以此为基础模型迁移训练冬小麦分类模型,自动提取出冬小麦分布.[结果]实验结果表明,以训练出的土地覆盖数据作为基础模型训练冬小麦模型,收敛速度快,具有很好的泛化性,在不同农业景观调查村中均得到比较准确的结果.从整体验证区域来看,冬小麦总体精度达到了90％以上,区域冬小麦总面积精度达到99％.平原区冬小麦识别精度更高,总体精度达到了90％以上,区域面积精度达到99％,表明模型对冬小麦种植地块规整、 生长状态均质的区域,识别精度较高,而山区由于地块破碎、 冬小麦长势差异较大,空间卷积会弱化小麦特征且出现"同物异谱"现象,这影响了在该区域内冬小麦的识别精度.[结论]Res.PspNet卷积神经网络能够有效地学习出无人机影像的特征,实现了基于航片影像进行非监督自动化冬小麦"端—端"分类,这也将一定程度上降低冬小麦提取的工作量.
卷积神经网络、ResNet、PspNet、迁移学习、山东
41
S127;F307.1(农业物理学)
山东省第三次农业普查无人机飞行测量服务项目
2020-08-06（万方平台首次上网日期，不代表论文的发表时间）
共9页
150-158
