使用深度学习方法实现对根系雷达图像的多目标检测和多参数估计。

构建了一种以YOLOv5s和CNN-LSTM为主要框架的网络模型实现对根系雷达扫描图像的多目标检测和多参数估计。首先,通过仿真模拟和预埋试验获取试验所需的根系雷达剖面图数据,同时为了增加数据的多样性,使用CycleGAN风格迁移网络获取了一批具有真实雷达图像特征的仿真数据;然后,使用YOLOv5s目标检测网络识别并提取根系响应区域;接着引入频域变换,获取频域特征,并将根系雷达图像的时域特征和频域特征融合;最后,利用卷积神经网络、卷积注意力机制以及长短期记忆网络强调和提取与根系参数相关的信息特征,并使用多任务学习的方法实现对根系半径、深度、相对介电常数以及水平倾角的预测。

（1）仿真试验中,根系半径估计的最大误差是4.3 mm,R²为0.980,均方根误差为1.32,深度估计的最大误差是35.1 mm,R²为0.962,均方根误差为17.68,相对介电常数估计的最大误差是3.1,R²为0.960,均方根误差为1.10,水平倾角估计的最大误差是10.2°,R²为0.821,均方根误差是4.96。（2）在实测数据上对根系半径估计的平均相对误差是9.112%,深度估计的平均相对误差是5.772%,水平倾角估计的平均相对误差是11.25%。

本文提出的基于深度学习与探地雷达的多目标检测方法可以为根系检测和根系参数估计提供便利。