[目的]傳統(tǒng)分類方法存在人為主觀選擇特征、模型無法在大范圍泛化的問題,文章利用非監(jiān)督特征學習的深度學習方法進行冬小麥識別,以解決傳統(tǒng)分類方法無法在大范圍進行自動化作物識別的不足。[方法]該文集成殘差網(wǎng)絡（Residual Nets,ResNets）和金字塔場景解析網(wǎng)絡（Pyramid Scene Parsing Network,PspNets）構(gòu)建Res.PspNet,進行冬小麥深度學習自動化分類。在山東全省獲取80個村的無人機航拍影像,利用米級遙感影像和對應的標記樣本作為"海量標記樣本"訓練土地覆蓋識別模型,以此為基礎模型遷移訓練冬小麥分類模型,自動提取出冬小麥分布。[結(jié)果]實驗結(jié)果表明,以訓練出的土地覆蓋數(shù)據(jù)作為基礎模型訓練冬小麥模型,收斂速度快,具有很好的泛化性,在不同農(nóng)業(yè)景觀調(diào)查村中均得到比較準確的結(jié)果。從整體驗證區(qū)域來看,冬小麥總體精度達到了90%以上,區(qū)域冬小麥總面積精度達到99%。平原區(qū)冬小麥識別精度更高,總體精度達到了90%以上,區(qū)域面積精度達到99%,表明模型對冬小麥種植地塊規(guī)整、生長狀態(tài)均質(zhì)的區(qū)域,識別精度較高,而山區(qū)由于地塊破碎、冬小麥長勢差異較大,空間卷積會弱化... 

【文章頁數(shù)】：9 頁

【文章目錄】：
0 引言
1 研究區(qū)概況與數(shù)據(jù)處理
    1.1 研究區(qū)介紹
    1.2 數(shù)據(jù)
        1.2.1 無人機航片影像
        1.2.2 冬小麥數(shù)字化結(jié)果
        1.2.3 輔助數(shù)據(jù)
2 方法
    2.1 網(wǎng)絡架構(gòu)
    2.2 實驗設計
        2.2.1 標記樣本庫訓練
        2.2.2 遷移模型預訓練
        2.2.3 冬小麥分類
        2.2.4 精度評價
3 結(jié)果與分析
    3.1 訓練結(jié)果
    3.2 精度分析
    3.3 冬小麥識別分布圖分析
4 討論
5 結(jié)論


【參考文獻】：
期刊論文
[1]無人機遙感影像面向?qū)ο蠓诸惙椒ü浪闶杏蛩久娣e[J]. 吳金勝,劉紅利,張錦水.  農(nóng)業(yè)工程學報. 2018(01)
[2]基于低空無人機遙感技術(shù)的油菜機械直播苗期株數(shù)識別[J]. 趙必權(quán),丁幼春,蔡曉斌,謝靜,廖慶喜,張建.  農(nóng)業(yè)工程學報. 2017(19)
[3]基于無人機樣方事后分層的作物面積估算[J]. 孫佩軍,張錦水,潘耀忠,謝登峰,袁周米琪.  中國農(nóng)業(yè)資源與區(qū)劃. 2016(02)
[4]基于小型無人機遙感的玉米倒伏面積提取[J]. 李宗南,陳仲新,王利民,劉佳,周清波.  農(nóng)業(yè)工程學報. 2014(19)
[5]基于無人機影像的農(nóng)情遙感監(jiān)測應用[J]. 王利民,劉佳,楊玲波,陳仲新,王小龍,歐陽斌.  農(nóng)業(yè)工程學報. 2013(18)
[6]基于低空無人機遙感的冬小麥覆蓋度變化監(jiān)測[J]. 李冰,劉镕源,劉素紅,劉強,劉峰,周公器.  農(nóng)業(yè)工程學報. 2012(13)
[7]遙感影像反卷積復原處理[J]. 陳奮,趙忠明.  數(shù)據(jù)采集與處理. 2008(02)

博士論文
[1]基于GF-1/WFV和面向?qū)ο蟮霓r(nóng)作物種植結(jié)構(gòu)提取方法研究[D]. 宋茜.中國農(nóng)業(yè)科學院 2016



本文編號：3665088