發(fā)布時(shí)間：2020-12-21 01:38

　　冬小麥?zhǔn)俏覈?guó)主要的糧食作物之一,精確地估算冬小麥的空間分布信息,對(duì)于產(chǎn)量估算、生產(chǎn)管理和糧食政策調(diào)整具有非常重要的作用。遙感圖像解譯是目前獲取冬小麥空間分布信息的主要技術(shù)手段,具有覆蓋面積廣、探測(cè)周期短、獲取信息豐富等優(yōu)勢(shì)。國(guó)產(chǎn)高分2號(hào)（GF-2）影像空間分辨率達(dá)到了1米,為及時(shí)、準(zhǔn)確地獲取冬小麥的空間分布信息提供了可靠的數(shù)據(jù)保障,利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行遙感圖像解譯從而獲取冬小麥空間分布信息是目前研究者關(guān)注的熱點(diǎn)問題,但是直接利用現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)模型在高分2號(hào)影像上對(duì)冬小麥進(jìn)行語(yǔ)義分割,分割精度并不是太高,主要原因是卷積神經(jīng)網(wǎng)絡(luò)的編碼器和分類器存在一些缺陷:（1）編碼器使用的模擬方式較為簡(jiǎn)單,不利于形成抽象的高層特征;（2）分類器在類別歸屬判斷上僅僅利用了最大概率值這一信息,忽略了各概率之間差值大小對(duì)像素類別歸屬判斷的影響。本文針對(duì)以上問題,選擇山東省濟(jì)南市的章丘區(qū)為研究區(qū)域,使用高分2號(hào)遙感影像和地面調(diào)查數(shù)據(jù)為數(shù)據(jù)源,建立了高精度冬小麥遙感影像分割模型（Winter Wheat Remote Sensing Segmentation Model,WWRSSM）,獲取了更精細(xì)的冬小麥空... 

【文章來(lái)源】：山東農(nóng)業(yè)大學(xué)山東省

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

RefineNet模型與RefineNet-MAP模型的對(duì)比:（a）RefineNet,(b)RefineNet-MAPFig21CompareRefineNetmodelwithRefineNet-MAPmodel:（a）RefineNet，(b)RefineNet-MAP

圖 21 Refine Net 模型與 RefineNet-MAP 模型的對(duì)比:（a）RefineNet,(b) RefineNet-MAPFig21 Compare Refine Net model with RefineNet-MAP model:（a）RefineNet，(b) RefineNet-MAPSegNet 模型是在 FCN 模型的基礎(chǔ)上發(fā)展起來(lái)的，但 SegNet 模型僅是利用了高層語(yǔ)特征，而沒有使用低層特征，這是 SegNet 模型與 RefinetNet 模型的最主要的區(qū)別。種處理方式在處理自然圖像時(shí)，由于圖像的細(xì)節(jié)多，信息量大，兩個(gè)模型的差異并不很明顯，但在遙感圖像上，由于圖像的細(xì)節(jié)少，信息量小，在這種情況下，SegNet型的劣勢(shì)就顯現(xiàn)出來(lái)了，從模型的評(píng)價(jià)結(jié)果表也可以看出這一問題。因此，模型能否分利用各級(jí)特征，也是影響分割精度的一個(gè)重要原因。盡管如此，從圖 22 我們可以出，SegNet 加入 MAP 模型作為后處理后，整體結(jié)果仍有較明顯的改善。

山東農(nóng)業(yè)大學(xué)碩士學(xué)位論文分發(fā)揮出來(lái)。而 RefineNet 充分利用了像素之間的統(tǒng)計(jì)特征，能夠很好地適應(yīng)冬小麥種植區(qū)域的數(shù)據(jù)特點(diǎn)。有效地避免了 DeepLab 方法的缺陷，保證分割精度。從 5.6.2 節(jié)的結(jié)果和對(duì)比中可以看出，RefineNet 在邊緣區(qū)域的分割精度要比 DeepLab 方法好得多。圖 23 給出了 DeepLab 模型和 DeepLab-Map 模型提取結(jié)果的分布情況，可以看出，加入MAP 模型作為后處理后，整體結(jié)果有較明顯的改善。

【參考文獻(xiàn)】：
期刊論文
[1]深度神經(jīng)網(wǎng)絡(luò)條件隨機(jī)場(chǎng)高分辨率遙感圖像建筑物分割[J]. 王宇,楊藝,王寶山,王田,卜旭輝,王傳云.  遙感學(xué)報(bào). 2019(06)
[2]基于全卷積神經(jīng)網(wǎng)絡(luò)的林區(qū)航拍圖像蟲害區(qū)域識(shí)別方法[J]. 劉文定,田洪寶,謝將劍,趙恩庭,張軍國(guó).  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(03)
[3]基于深度信念網(wǎng)絡(luò)的煙葉部位近紅外光譜分類方法研究[J]. 王靜,丁香乾,王曉東,韓鳳,韓冬,曲曉娜.  紅外與激光工程. 2019(04)
[4]靜態(tài)圖像中采用混合卷積結(jié)構(gòu)進(jìn)行人群密度估計(jì)[J]. 范綠源,仝明磊,李敏,南昊.  計(jì)算機(jī)應(yīng)用研究. 2020(03)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的馬鈴薯葉片病害識(shí)別系統(tǒng)[J]. 趙建敏,李艷,李琦,蘆建文.  江蘇農(nóng)業(yè)科學(xué). 2018(24)
[6]基于深度學(xué)習(xí)的無(wú)人機(jī)遙感生態(tài)灌區(qū)雜草分類[J]. 王術(shù)波,韓宇,陳建,潘越,曹毅,孟灝.  排灌機(jī)械工程學(xué)報(bào). 2018(11)
[7]基于GF-1影像NDVI年度間相關(guān)分析的冬小麥面積變化監(jiān)測(cè)[J]. 王利民,劉佳,姚保民,季富華,楊福剛.  農(nóng)業(yè)工程學(xué)報(bào). 2018(08)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的菊花花型和品種識(shí)別[J]. 袁培森,黎薇,任守綱,徐煥良.  農(nóng)業(yè)工程學(xué)報(bào). 2018(05)
[9]采用改進(jìn)全卷積網(wǎng)絡(luò)的“高分一號(hào)”影像居民地提取[J]. 潘旭冉,楊帆,潘國(guó)峰.  電訊技術(shù). 2018(02)
[10]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感沙漠綠地提取方法[J]. 田德宇,張耀南,趙國(guó)輝,韓立欽.  遙感技術(shù)與應(yīng)用. 2018(01)

碩士論文
[1]一種面向農(nóng)田提取的高分遙感影像分割模型[D]. 程清.山東農(nóng)業(yè)大學(xué) 2018
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像語(yǔ)義分割[D]. 陳鴻翔.浙江大學(xué) 2016



本文編號(hào)：2928941