基于PSPNet网络的无人机小麦影像倒伏区域提取方法技术

本发明专利技术涉及基于PSPNet网络的无人机小麦影像倒伏区域提取方法，与现有技术相比解决了难以对不同生育期小麦倒伏区域进行影像提取的缺陷。本发明专利技术包括以下步骤：训练数据的获取及预处理；PSPNet语义分割网络的构建；PSPNet语义分割网络的训练；倒伏区域待提取图像的获取；无人机小麦影像倒伏区域的提取。本发明专利技术克服了针对单一生育期的小麦影像倒伏提取无法做到多个生育期倒伏区估计的难题，且获得理想的倒伏提取结果。的倒伏提取结果。的倒伏提取结果。

【技术实现步骤摘要】
基于PSPNet网络的无人机小麦影像倒伏区域提取方法


[0001]本专利技术涉及无人机影像处理
，具体来说是基于PSPNet网络的无人机小麦影像倒伏区域提取方法。

技术介绍

[0002]小麦倒伏是指拔节后的小麦由于受多种不利条件影响，整株或成片倒伏在地上。小麦倒伏从时间上可分为早倒伏和晚倒伏。从形式上可分为根倒伏和茎倒伏。小麦倒伏监督技术可以及时的发现小麦倒伏，并且可以及时引导农技人员采取补救措施。
[0003]传统的倒伏监测方法需要调查人员使用尺子、GPS等工具前往实地调查，以获取倒伏作物的位置和面积等信息，效率较低，尤其是针对不规则倒伏区域无法做到精确测量。遥感技术能够快速获取大范围农田的图像信息和空间信息，近年来被广泛用于农作物倒伏监测。卫星遥感影像覆盖面积广，适合大区域倒伏灾害监测。但卫星遥感影像也存在空间分辨率低、重访周期长、受天气因素影响较大等不足，对于特定时间、特定区域的水稻倒伏监测，卫星遥感影像往往难以满足需求。同时，小麦倒伏灾害一般由极端天气状况造成，而糟糕的天气状况也严重影响卫星影像的质量，受过境周期限制，卫星再访时已经过去了一段时间，用于估损已经不够准确且无法满足灾后快速评估的要求。
[0004]近年来，随着无人机系统搭载遥感平台的快速发展，针对无人机遥感影像的数据拼接方法和技术也已成熟，无人机遥感在自然灾害信息快速获取及实物估损方面已展开了一定的研究。无人机遥感具有低成本、高时效、天气影响小等特点，非常适于作物受灾信息的快速获取。
[0005]现有技术中，虽然有部分关于无人机在作物长势监测中的研究，但是利用无人机监测作物倒伏尤其是小麦倒伏的研究并不多。有学者以无人机影像为数据源对玉米、水稻等进行倒伏监测研究，但是基于无人机对小麦倒伏监测的研究较少。Belton等展示了无人机技术在作物高度监测和建模方面的应用，以提供定量的作物生长数据，以无人机获取的DSM数据为基础，作物高度由摄影测量学导出的CSMs估计，并与GNSS获取的参考高度进行比较，以验证CSMs，评估结果表明，相对于GNSS高度的风况，平均偏差为2～10cm，该技术在进行林冠、作物高度及长势定量和定性监测方面具有巨大潜力。赵立成等于2019年提出了一种基于无人机DSM的小麦倒伏识别方法。Paulo FLORES于2021年提出了不同机器学习于与深度学习算法对于小麦倒伏率的检测。

技术实现思路

[0006]本专利技术的目的是为了解决现有技术中难以对不同生育期小麦倒伏区域进行影像提取的缺陷，提供一种基于PSPNet网络的无人机小麦影像倒伏区域提取方法来解决上述问题。
[0007]为了实现上述目的，本专利技术的技术方案如下：
[0008]一种基于PSPNet网络的无人机小麦影像倒伏区域提取方法，包括以下步骤：
[0009]训练数据的获取及预处理：获取已进行样本标注的无人机小麦倒伏影像，将其分成小麦两个成长期的20m、40mRGB图片，作为训练数据集；
[0010]PSPNet语义分割网络的构建：采用Mobilenetv2作为主干特征提取网络构建PSPNet语义分割网络；
[0011]PSPNet语义分割网络的训练：将训练数据集输入PSPNet语义分割网络进行训练；
[0012]倒伏区域待提取图像的获取：获取待提取的无人机小麦影像并进行预处理；
[0013]无人机小麦影像倒伏区域的提取：将预处理后的待提取无人机小麦影像输入训练后的PSPNet语义分割网络，提取出小麦倒伏区域影像。
[0014]所述PSPNet语义分割网络的构建包括以下步骤：
[0015]利用特征提取网络MobileNet2进行特征提取；
[0016]设定MobileNet2在3x3网络结构前利用1x1卷积升维，在3x3网络结构后，利用1x1卷积降维，不再进行Relu6层，直接进行残差网络的加法；
[0017]设定加强特征提取PPM模块将获取到的特征层划分成不同大小的区域，每个区域内部各自进行平均池化；
[0018]利用特征提取网络MobileNet2和加强特征提取PPM模块获取到的图片特征获取预测结果：
[0019]利用一个3x3卷积对特征进行整合，然后利用一个1x1卷积进行通道调整，调整成语义分割类别数，最后利用resize进行上采样使得最终输出层，宽、高和输入图片一样，得到预测结果。
[0020]所述PSPNet语义分割网络的训练包括以下步骤：
[0021]选择Adam optimizer函数作为参数优化器，Dice loss为损失函数，初始学习率为0.0001，批量处理大小设置为32，迭代次数epoch设置为100；
[0022]制作VOC格式数据进行训练：
[0023]对所获得的无人机小麦倒伏影像以及标签进行裁剪，每个滑窗的大小设置为256x256，最后得到的训练图像大小为256x256；
[0024]将训练数据集经过特征提取网络MobileNet2和加强特征提取PPM模块进行特征提取，之后利用一个3x3卷积对特征进行整合，然后利用一个1x1卷积进行通道调整，调整成语义分割类别数，最终得到预测结果。
[0025]有益效果
[0026]本专利技术的基于PSPNet网络的无人机小麦影像倒伏区域提取方法，与现有技术相比克服了针对单一生育期的小麦影像倒伏提取无法做到多个生育期倒伏区估计的难题，且获得理想的倒伏提取结果。
[0027]本专利技术基于MobileNet2特征提取网络建立金字塔场景解析网络(Pyramid Scene Parsing Network，PSPNet)，通过MobileNet2网络和PSPNet网络中金字塔池化模块(Pyramid Pooling Module，PPM)，即多尺度特征融合模块将获取到的特征层划分成不同大小的网格，每个网格内部各自进行平均池化，对于输入图像进行双重特征提取。
[0028]此外，针对于单一生育期的问题，本专利技术在数据源的采集上，采集小麦两个生育期的以及两个高度的数据，同时达到扩充数据集的目的，一定程度上提高了模型的分割性能及泛化能力。
[0029]本专利技术提出的以MobileNet2特征网络作为PSPNet的特征的提取，在小麦的双生育期双高度的数据集上进行了试验，实验结果表明，本专利技术所提出的PSPNet分割方法优于对比分割模型，即使在不同生育期的小麦数据的情况下，也能得到较理想的无人机小麦分割结果。
附图说明
[0030]图1为本专利技术的方法顺序图；
[0031]图2为本专利技术的数据研究区概况图；
[0032]图3为本专利技术的数据使用Labelme的数据标注图；
[0033]图4a为本专利技术所涉及的无人机小麦原图；
[0034]图4b为图4a的小麦倒伏标签图；
[0035]图4c为图4a利用现有技术Unet网络提取的预测结果图；
[0036]图4d为图4a利用本专利技术所述方法提取的预测结果图。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PSPNet网络的无人机小麦影像倒伏区域提取方法，其特征在于，包括以下步骤：11)训练数据的获取及预处理：获取已进行样本标注的无人机小麦倒伏影像，将其分成小麦两个成长期的20m、40mRGB图片，作为训练数据集；12)PSPNet语义分割网络的构建：采用Mobilenetv2作为主干特征提取网络构建PSPNet语义分割网络；13)PSPNet语义分割网络的训练：将训练数据集输入PSPNet语义分割网络进行训练；14)倒伏区域待提取图像的获取：获取待提取的无人机小麦影像并进行预处理；15)无人机小麦影像倒伏区域的提取：将预处理后的待提取无人机小麦影像输入训练后的PSPNet语义分割网络，提取出小麦倒伏区域影像。2.根据权利要求1所述的基于PSPNet网络的无人机小麦影像倒伏区域提取方法，其特征在于，所述PSPNet语义分割网络的构建包括以下步骤：21)利用特征提取网络MobileNet2进行特征提取；设定MobileNet2在3x3网络结构前利用1x1卷积升维，在3x3网络结构后，利用1x1卷积降维，不再进行Relu6层，直接进行残差网络的加法；22)设定加强特征提取PPM模块将获取到的...

【专利技术属性】
技术研发人员：赵晋陵，李正，张东彦，黄林生，黄文江，
申请(专利权)人：安徽大学，
类型：发明
国别省市：