农业机械学报

作者：刘文定,田洪宝,谢将剑,赵恩庭,张军国

单位：北京林业大学;林业装备与自动化国家林业和草原局重点实验室,北京林业大学;林业装备与自动化国家林业和草原局重点实验室,北京林业大学;林业装备与自动化国家林业和草原局重点实验室,北京林业大学;林业装备与自动化国家林业和草原局重点实验室,北京林业大学;林业装备与自动化国家林业和草原局重点实验室,

关键词：林业虫害监测; 航拍; 图像识别; 全卷积神经网络; 语义分割; 迁移学习

基金：中央高校基本科研业务费专项资金项目(2017JC14、2016ZCQ08)

针对航拍林区虫害图像的虫害区域不规则和传统识别方法泛化能力差的问题，提出一种基于全卷积神经网络(Fully convolution networks,FCN)的虫害区域识别方法。采用八旋翼无人机航拍虫害林区、获取林区虫害图像，并对虫害区域进行像素级标注，用于模型训练；将VGG16模型的全连接层替换为卷积层，并通过上采样实现端到端的学习；使用预训练的卷积层参数，提升模型收敛速度；采用跳跃结构融合多种特征信息，有效提升识别精度，并通过该方法构造了5种全卷积神经网络。试验表明，针对林区航拍虫害图像，FCN-2s在5种全卷积神经网络中区域识别精度最高，其像素准确率为97.86%，平均交并比为79.49%，单幅分割时间为4.31s。该方法与K-means、脉冲耦合神经网络、复合梯度分水岭算法相比，像素准确率分别高出44.93、20.73、6.04个百分点，平均交并比分别高出50.19、35.67、18.86个百分点，单幅分割时间分别缩短47.54、19.70、11.39?s，可以实现林区航拍图像的虫害区域快速准确识别，为林业虫害监测和防治提供参考。

来源：2019年第3期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2019年第3期