农业机械学报

作者：刘文萍,赵磊,周焱,宗世祥,骆有庆

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,

关键词：无人机; 语义分割; 土地覆盖图像; 深度学习; 卷积神经网络

基金：国家重点研发计划项目(2018YFD0600200)、北京市科技计划项目(Z171100001417005)和中央高校基本科研业务费专项资金项目(2015ZCQ-XX)

编制土地覆盖图需要包含精准类别划分的土地覆盖数据，传统获取方法成本高、工程量大，且效果不佳。提出一种面向无人机航拍图像的语义分割方法，用于分割不同类型的土地区域并分类，从而获取土地覆盖数据。首先，按照最新国家标准，对包含多种土地利用类型的航拍图像进行像素级标注，建立无人机高分辨率复杂土地覆盖图像数据集。然后，在语义分割模型DeepLabV3+的基础上进行改进，主要包括：将原始主干网络Xception+替换为深度残差网络ResNet+；引入联合上采样模块，增强编码器的信息传递能力；调整扩张卷积空间金字塔池化模块的扩张率，并移除该模块的全局池化连接；改进解码器，使其融合更多浅层特征。最后在本文数据集上训练和测试模型。实验结果表明，本文提出的方法在测试集上像素准确率和平均交并比分别为95.06%和81.22%，相比原始模型分别提升了14.55个百分点和25?49个百分点，并且优于常用的语义分割模型FCN-8S和PSPNet模型。该方法能够得到精度更高的土地覆盖数据，满足编制精细土地覆盖图的需要。

来源：2020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2020年第2期