农业机械学报

作者：孙钰,韩京冶,陈志泊,史明昌,付红萍,杨猛

单位：北京林业大学,北京林业大学,北京林业大学,北京林业大学,北京林业大学,北京林业大学,

关键词：农业监测;无人机;深度学习;语义分割;全卷积神经网络

基金：中央高校基本科研业务费专项资金交叉创新项目(2017JC02)和国家自然科学基金项目(61402038)

随着精准农业技术的发展，快速获取大棚和地膜农田面积及地理分布的需求越来越大，但沿用面向卫星遥感影像的解译方法处理无人机航拍影像，存在特征选择复杂、识别精度较低、处理时间长等问题。基于此，本文提出一种基于深度学习的大棚及地膜农田无人机航拍监测方法，即采用六旋翼无人机搭载索尼NEX-5k相机进行航拍作业，对采集到的558幅赤峰市王爷府镇地区的无人机航片进行正射校正与拼接，构建全卷积神经网络(Fully convolutional network, FCN)，通过多尺度融合的方法实现了FCN的5个变种模型：FCN-32s、FCN-16s、FCN-8s、FCN-4s、FCN-2s，使用带动量的随机梯度下降算法端到端训练模型，自动提取并分类影像特征。FCN模型与ENVI商用遥感软件的基于像素的分类方法、eCognition软件的面向对象的分类方法对比后表明：FCN-4s模型为识别大棚和地膜农田的最佳模型，对于测试区域的平均整体正确率为97%，而基于像素的分类方法平均整体正确率为74.1%，面向对象的分类方法平均整体正确率为81.78%。FCN-4s模型平均运行时间为16.85s，是基于像素的分类方法运行时间的0.06%，是面向对象的分类方法运行时间的5.62%。本方法可快速准确获取大棚和地膜农田的地理分布及面积，满足设施农业对无人机航拍监测的需求。

来源：2018年第2期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2018年第2期