以高分二號(hào)遙感影像為研究對(duì)象進(jìn)行冬小麥多元特征的提取,在U-Net模型基礎(chǔ)上進(jìn)行改進(jìn),將一種可變形全卷積神經(jīng)網(wǎng)絡(luò)（DFCNN）模型引入到遙感影像自動(dòng)解譯領(lǐng)域。為提高網(wǎng)絡(luò)模型對(duì)幾何變化特征的提取能力,引入可變形卷積的思想,將可訓(xùn)練的二維偏移量加入到網(wǎng)絡(luò)中的每個(gè)卷積層前,使卷積產(chǎn)生形變,并獲得對(duì)象級(jí)語(yǔ)義信息,從而增強(qiáng)了模型對(duì)不同尺寸及空間分布的冬小麥特征的表達(dá)。使用DFCNN模型對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練及微調(diào),得到最優(yōu)的網(wǎng)絡(luò)模型,其像素精度為98.1%,解譯時(shí)間為0.630 s。采用FCNN模型、U-Net模型及RF算法得到的冬小麥自動(dòng)解譯像素精度分別為89.3%、93.9%、90.0%,說(shuō)明基于DFCNN模型的冬小麥自動(dòng)解譯精度相對(duì)較高,且對(duì)復(fù)雜的幾何變化特征有較好的表達(dá),具有較好的泛化能力。 

【文章來(lái)源】：農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020,51(09)北大核心EICSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

大廠回族自治縣行政區(qū)劃示意圖

本文設(shè)計(jì)的DFCNN模型由23個(gè)卷積層(C1～C23)、4個(gè)池化層(P1～P4)、4個(gè)上采樣層(UP1～UP4)組成，并在每個(gè)卷積層后加入可變形卷積模塊，整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。3 實(shí)驗(yàn)與結(jié)果分析

環(huán)境復(fù)雜的測(cè)試影像(圖4a)中存在大面積的建筑、裸地、道路、坑塘等背景地物，可用于驗(yàn)證DFCNN模型的魯棒性。針對(duì)與冬小麥顏色特征相近的坑塘地物，F(xiàn)CNN模型(圖4b)出現(xiàn)了嚴(yán)重的誤分情況;具有更深網(wǎng)絡(luò)層次的U-Net模型(圖4c)明顯減少了易混淆特征對(duì)分類的影響，但是從整幅影像上看仍存在大量的“椒鹽”噪聲;RF算法(圖4d)在一定程度上降低了“椒鹽”噪聲，但目標(biāo)地物的邊界識(shí)別效果還不夠理想;DFCNN模型(圖4e)對(duì)冬小麥的識(shí)別效果最優(yōu)，邊界更為平滑，對(duì)于易混淆地物也具有較強(qiáng)的識(shí)別能力。本文將統(tǒng)計(jì)的像素精度、平均像素精度結(jié)果及訓(xùn)練性能和本文模型(DFCNN)的結(jié)果進(jìn)行對(duì)比，結(jié)果如表1所示。由表1可知，F(xiàn)CNN模型的像素精度偏低，為89.3%，其分割結(jié)果出現(xiàn)了坑塘地物誤分情況，說(shuō)明其提取的冬小麥特征魯棒性差，容易受到混淆地物的影響。具有更深層網(wǎng)絡(luò)及特征疊加的U-Net像素精度明顯提升，為93.9%，但是其預(yù)測(cè)結(jié)果依然會(huì)出現(xiàn)“椒鹽”噪聲，冬小麥邊界分割不平滑。加入可變形卷積模塊的DFCNN像素精度最高，為98.1%，噪聲明顯降低，且冬小麥邊界更為平滑，說(shuō)明可訓(xùn)練的偏移量有助于冬小麥幾何變化特征的充分表達(dá)。

【參考文獻(xiàn)】：
期刊論文
[1]隨機(jī)森林回歸模型的懸浮泥沙濃度遙感估算[J]. 方馨蕊,溫兆飛,陳吉龍,吳勝軍,黃遠(yuǎn)洋,馬茂華.  遙感學(xué)報(bào). 2019(04)
[2]田間作物NDVI測(cè)量?jī)x可靠性分析及標(biāo)定環(huán)境研究[J]. 楊鈞森,楊貴軍,徐波,張凱選,楊小冬,李振海,李賀麗,楊浩,韓亮.  農(nóng)業(yè)工程學(xué)報(bào). 2019(08)
[3]基于可見(jiàn)光圖像和卷積神經(jīng)網(wǎng)絡(luò)的冬小麥苗期長(zhǎng)勢(shì)參數(shù)估算[J]. 馬浚誠(chéng),劉紅杰,鄭飛翔,杜克明,張領(lǐng)先,胡新,孫忠富.  農(nóng)業(yè)工程學(xué)報(bào). 2019(05)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的冬小麥麥穗檢測(cè)計(jì)數(shù)系統(tǒng)[J]. 張領(lǐng)先,陳運(yùn)強(qiáng),李云霞,馬浚誠(chéng),杜克明.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(03)
[5]PCA和布谷鳥(niǎo)算法優(yōu)化SVM的遙感礦化蝕變信息提取[J]. 吳一全,盛東慧,周楊.  遙感學(xué)報(bào). 2018(05)
[6]東北黑土區(qū)侵蝕溝遙感影像特征提取與識(shí)別[J]. 于佩鑫,周詢,劉素紅,王西凱.  遙感學(xué)報(bào). 2018(04)
[7]面向空間自相關(guān)信息的高光譜圖像分類方法[J]. 廖建尚,王立國(guó).  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(06)
[8]基于MODIS-EVI及物候差異免閾值提取黃淮海平原冬小麥面積[J]. 張莎,張佳華,白雲(yún),姚鳳梅.  農(nóng)業(yè)工程學(xué)報(bào). 2018(11)
[9]基于高光譜成像技術(shù)的小麥條銹病病害程度分級(jí)方法[J]. 雷雨,韓德俊,曾慶東,何東健.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(05)
[10]基于可變形卷積神經(jīng)網(wǎng)絡(luò)的圖像分類研究[J]. 歐陽(yáng)針,陳瑋.  軟件導(dǎo)刊. 2017(06)



本文編號(hào)：3096344