基于改进ShuffleNet V2的轻量化农作物害虫识别模型

及时准确地识别害虫是有效防治的重要前提。针对现有基于卷积神经网络的害虫识别模型实时性差、识别率低、结构复杂不易部署等问题,提出基于改进ShuffleNet V2的农作物害虫识别模型。首先,在ShuffleNet V2中引入多尺度特征融合模块LMFF（Lightweight Multi-scale Feature Fusion）,加强模型对不同尺度害虫的特征提取能力;其次,在ECA（Efficient Channel Attention）注意力机制中增加并行路径,并通过可学习参数自适应更新不同路径的权重,提出AECA（Adaptive and Efficient Channel Attention）注意力机制,将AECA注意力机制嵌入到ShuffleNet V2中,提高模型的跨通道交互能力;然后,使用SiLU（Sigmoid Weighted Liner Unit）替换ReLU激活函数,增强模型的泛化能力;最后,通过调整输出通道数和核心模块的堆叠次数重新设计ShuffleNet V2的整体架构,降低模型的计算量和参数量,从而提出轻量化的农作物害虫识别模型SNPF（ShuffleNet for Pest Field）。试验结果表明,SNPF模型在自建害虫数据集上的平均识别准确率和F1分数为79.49%和78.54%,较改进前分别提高了4.00个百分点和3.09个百分点,而参数量和浮点运算量为3.74 M和0.48 G,较改进前分别下降了30.60%和18.60%。SNPF模型对单张害虫图像的平均推理时间为11.9 ms,与ResNet 50、GoogLeNet、EfficientNet B1等模型相比,SNPF模型的识别精度更高,并且识别时间分别减少了57.04%、50.21%和40.50%。该研究提出的SNPF模型能够较好地识别农作物害虫、并且具有识别速度快和轻量化的特点,可以为农作物害虫的防治提供帮助。     

基于MODISNDVI多年时序数据的农作物种植识别

为了获取陕西省农作物种植模式和类型分布信息,实现对于多年农作物长势分析及精确的估产和耕地生产力的估算,该文以2003-2012年的MOD09Q1时间序列遥感数据集为数据源,以陕西省主要农作物冬小麦、夏玉米、春玉米、水稻和油菜为研究对象,利用Savitzky-Golay滤波方法重建NDVI长时间序列数据集,充分利用农作物的物候信息,构建农作物年际间动态阈值方法,实现了农作物种植模式和类型的识别。通过对混合像元进行分解,更精确地提取农作物种植面积信息。利用空间和定量2种方式对农作物类型识别结果进行分析验证,空间对比分析得到分类的总体精度和Kappa系数为88.18%和59.64%,定量对比分析得到分类的总体一致性为87.56%。研究结果表明,结合物候信息与时间序列数据利用该文的分类方法可以有效的识别大尺度农作物信息。     

基于合成孔径雷达的农作物后向散射特性及纹理信息分析——以吉林省农安县为例

及时掌握农作物类型、时空分布和结构信息,是合理调整农业结构的重要科学依据。针对光学遥感依赖于太阳辐射,在农作物生长周期内常受制于云雾的影响而无法获取到光学遥感数据的问题,本文采用全天时全天候、不受云雾等天气影响的合成孔径雷达（synthetic aperture radar,SAR）影像,探讨典型农作物的后向散射特性和纹理特征,为采用合成孔径雷达影像实现高精度农作物大面积监测提供科学依据。以吉林省农安县为例,利用12景Sentinel-1B双极化SAR影像数据,经影像预处理和统计分析,研究不同极化的农作物后向散射特性和纹理信息。结果表明：3种作物（大豆、玉米、水稻1和水稻2）同极化（VV）的SAR后向散射系数在生长周期内均高于交叉极化（VH）,农作物植株形态改变极化方式的能力为-25~-15 dB。3种作物在整个生长期内,后向散射系数呈现较大波动,各阶段后向散射特征差异明显。在生长初期,土壤对后向散射特征起主要作用,在SAR图像上表现为暗色调;随着作物生长,冠层散射叠加土壤散射作用占据主要位置,散射值随作物生长呈现逐渐增加的趋势,在SAR图像上表现为亮色调;拔节（分枝）后（7月10日后）作物的后向散射信号除冠层散射作用外,还主要受到土壤含水量及其与作物相互作用的影响,因此拔节后两种水稻后向散射系数下降幅度较大。水稻对雷达波的吸收强于玉米和大豆,整体上后向散射系数第2种水稻<第1种水稻<玉米<大豆,尤其在VH极化方式下表现更明显。对作物SAR纹理信息的研究表明纹理信息的均值、方差和协同性对于农作物的SAR识别更有效,最佳纹理信息为VH极化均值,有利于识别3种作物;VV极化方差和VV协同性有助于区分两种水稻;SAR影像识别作物的最佳时相为5月23日至7月10日。     

时序滤波对农作物遥感识别的影响

获取长时序且高质量遥感观测数据是捕捉不同农作物关键物候节律信息,进而获取高精度农作物空间分布信息的关键.受云雨天气影响,卫星遥感易产生低质量观测,其往往不参与或采用时序滤波处理后再用于农作物遥感识别.然而,时序滤波对于农作物遥感识别的影响机制尚未摸清,为高效且高精度农作物遥感制图带来了较大挑战.该研究基于HLS(Har...     

基于注意力机制和多尺度轻量型网络的农作物病害识别

准确识别农作物病害并及时防护是保障农作物产量的重要措施。针对传统农作物病害识别模型体积大、准确率不高的问题,该研究提出一种基于注意力机制和多尺度特征融合的轻量型神经网络模型（Lightweight Multi-scale Attention Convolutional Neural Networks,LMA-CNNs）。首先,为减少参数量,使模型轻量化,网络主体结构采用深度可分离卷积;其次,在深度可分离卷积基础上设计出残差注意力模块和多尺度特征融合模块;同时引入Leaky ReLU激活函数增强负值特征的提取。残差注意力模块通过嵌入通道和空间注意力机制,增强有用特征信息的权重并减弱噪声等干扰信息的权重,残差连接能够有效防止网络退化。多尺度特征融合模块利用其不同尺度的卷积核提取多种尺度的病害特征,提高特征的丰富度。试验结果表明,LMA-CNNs模型在59类公开农作物病害图像测试集上的准确率为88.08%,参数量仅为0.14×107,优于ResNet34、ResNeXt、ShuffleNetV2等经典神经网络模型。通过比较不同研究者在同一数据集下所设计的网络模型,进一步验证LMA-CNNs模型不仅拥有更高的识别精度,还具有更少的参数。该研究提出的LMA-CNNs模型较好地平衡模型复杂程度和识别准确率,为移动端农作物病害检测提供参考。     

基于GF-6时序数据的农作物识别深度学习算法评估

农作物类型制图是农情遥感的重要内容。该研究利用GF-6时序数据,在黑龙江省对基于卷积、递归和注意力3种机制的6个深度学习模型在农作物类型制图中的性能进行了定性和定量的评估。结果表明：所有模型对大豆、玉米和水稻3类主要农作物的F1值不低于89%、84%和97%,总体分类精度达到了93%～95%。将模型异地迁移后,各模型的总体分类精度下降7.2%～41.0%,基于卷积或递归的深度学习模型仍保持了较强的农作物识别能力,优于基于注意力的深度学习模型和随机森林模型。在时间消耗上,各深度学习模型相比于随机森林模型,训练与推理时间不超过6.2倍。GF-6时序数据结合深度学习模型在分类精度和运行效率上满足高精度大范围农作物制图的需要,且迁移性优于传统模型。研究结果可为深度学习在黑龙江农作物遥感分类任务中的应用提供参考。     

基于重参数化MobileNetV2的农作物叶片病害识别模型

针对基于卷积神经网络识别农作物叶片病害存在参数众多,计算量大且实时性差的问题,提出一种轻量级农作物叶片病害识别模型RLDNet(reparameterized leaf diseases identification network)。首先,基于MobileNetV2利用重参数化倒残差模块提升推理速度,并设计浅而窄的网络结构增强对浅层特征的提取,降低模型参数量。其次,使用轻量级ULSAM(ultra-lightweight subspace attention module)注意力机制,结合叶片病害特征,强化模型对病害区域的关注能力。最后,利用DepthShrinker剪枝方法对模型进行剪枝进一步减小空间占用。RLDNet在PlantVillage数据集上识别准确率达99.53%,参数量为0.65 M,对单张叶片病害图像的推理时间为2.51 ms。在自建叶片病害数据集上获得了98.49%识别准确率,比MobileNetV3、ShuffleNetV2等轻量级模型识别准确率更高,更为轻量。     

基于无人机低空遥感的农作物快速分类方法

无人机以其高时效、高分辨率、低成本、低风险及可重复使用的优势,给遥感技术在各领域的应用提供了新的平台。为了提高无人机遥感中农田信息获取的时效性和精度,该文分析了无人机低空航飞获得的高空间分辨率农作物遥感影像特征,以冬小麦为研究对象,基于农作物波谱特征和NDVI变化阈值,提出了一种农作物快速分类提取方法,并与其他几种常用的遥感分类方法进行比较,探讨了其普适性。结果表明,该方法从无人机高分辨率影像中提取不同种类的农作物分类信息具有较高的正确率和普适性,兼具快速和低成本的特点,在海量农作物无人机航拍数据的信息提取上具有较广的应用。     

基于CNN-Transformer的农作物病虫害知识问答意图识别与槽位填充联合模型

意图识别与槽位填充是农作物病虫害知识问答中问题理解的两个重要任务。在已有面向农业领域的研究中,上述任务仍被视为两个完全独立的子任务,并且未充分利用意图识别与槽位填充的语义信息。为此,该研究提出一种基于CNN-Transformer的意图识别与槽位填充联合模型（CDPCT-IDSF）。该模型根据农作物病虫害文本语义复杂设计CNN网络与多层Transformer结合强调局部的有用信息以缓解语义缺失问题;然后在Transformer解码器中引入对齐保证输入与输出一对一关系以提高识别正确槽位标签的能力。此外,进一步构建了包含20个意图类别、12个槽位类别和11242条标注样本的农业病虫害知识问答数据集进行对比试验,CDPCT-IDSF模型在该语料库上的槽位填充F1值为94.36%,意图识别精度为92.99%,整体识别精度为87.23%,优于其他对比模型,结果证明了所提模型在农作物病虫害意图识别与槽位填充任务上的有效性,可为面向农作物病虫害的知识问答研究提供理论支撑。     

星载高分辨率合成孔径雷达影像纠正技术

TERRASAR、COSMO SkyMed、RADARSAT-2等星载高分辨率合成孔径雷达影像为土地利用调查监测提供了重要数据源,但尚未形成业务化应用技术流程。该文根据高分辨率星载合成孔径雷达影像成像机理,在对典型特征地物点定位精度分析的基础上,提出几何纠正控制点选取方法;通过类比法分析了不同纠正模型应用效果。试验表明高分辨率星载合成孔径雷达影像几何纠正需要10～15个控制点,1?m聚束模式纠正中误差约3～5 m,3 m条带模式纠正中误差约5～8 m,分别满足1∶1万和1∶2.5万土地调查监测几何精度要求。     

作物遥感识别中的数据挖掘技术

该文综述了数据挖掘技术应用在图像分类方面的各种方法，介绍了每种方法的优缺点、适用领域及应用情况。介绍了将数据挖掘技术应用于图像分类方面以有效解决当前作物遥感识别中的瓶颈问题。对当前作物遥感识别系统在数据源的使用、识别过程的规范和方法的实用性方面的问题进行了分析，展望了作物遥感识别中的数据挖掘技术研究发展方向。     

基于Sentinel-1A影像和一维CNN的中国南方生长季早期作物种类识别

作物的早期识别对粮食安全至关重要。在以往的研究中,中国南方作物早期识别面临的主要挑战包括:1)云层覆盖时间长、地块尺寸小且作物类型丰富;2)缺少高时空分辨率合成孔径雷达(synthetic aperture radar,SAR)数据。欧洲航天局Sentinel-1A(S1A)卫星提供的SAR图像具有12 d的重访周期,空间分辨率达10 m,为中国南方作物早期识别提供了新的机遇。为在作物早期识别中充分利用S1A影像的时间特征,本研究提出一维卷积神经网络(one-dimensional convolutional neural network,1D CNN)的增量训练方法:首先利用生长季内全时间序列数据来训练1D CNN的超参数,称为分类器;然后从生长季内第一次S1A影像获取开始,在每个数据获取时间点输入该点之前(包括该点)生长季内所有数据训练分类器在该点的其他参数。以中国湛江地区2017年生长季为研究实例,分别基于VV、VH和VH+VV,评估不同极化数据在该地区的作物分类效果。为验证该方法的有效性,本研究同时应用经典的随机森林(random forest,RF)模型对研究区进行试验。结果表明:1)基于VH+VV、VH和VV极化数据的分类精度依次降低,其中,基于VH+VV后向散射系数时间序列1D CNN和RF测试结果的Kappa系数最大值分别为0.924和0.916,说明S1A时间序列数据在该地区作物分类任务中有效;2)在研究区域内2017年生长季早期,基于1D CNN和RF的5种作物的F-measure均达到0.85及以上,说明本文所构建的1D CNN在该地区主要作物早期分类任务中有效。研究结果证明,针对中国南方作物早期分类,本研究提出的1D CNN训练方案可行。研究结果可为深度学习在作物早期分类任务中的应用提供参考。     

农作物单产遥感估算模型研究进展

作物单产估算是农作物估产中的关键技术,也是作物估产的难点之一.遥感技术凭借其宏观、及时和动态等特点已在农作物产量估算中占据着极为重要的地位,运用遥感信息建模估算作物产量已成为区域作物估产的必然要求.在总结农作物单产遥感估算模型研究成果的基础上,将作物单产遥感估算方法划分为四种模式加以详细阐述,分析了用于单产建模的遥感数据源的多元化趋势,讨论了如何有效验证模型估算精度的问题,最后对作物单产遥感估算模型今后的发展趋势作了展望.     

基于机器视觉的田间杂草识别技术研究进展

田间杂草识别技术是实现变量喷洒除草剂以保护环境的关键所在。针对国内外在精细农业的杂草识别领域，全面、系统地分析了基于机器视觉的田间杂草识别技术的研究进展与应用状况，以促进该项技术在中国的应用和发展。分别阐述了利用植物和背景形状特征、纹理特征、颜色特征和多光谱特征识别田间杂草技术的理论依据、特征参数、研究状况和问题所在，并指出了实现田间实时识别的难点。     

基于探地雷达和电容法的作物根系原位无损测量技术研究进展

改善根系结构提高作物的抗逆特性是保障粮食安全的有效途径。但传统破坏性取样根系测量方法费时费力,且破坏了根系的原位状态。为满足栽培和育种对根系信息的需求,亟需发展原位无损的根系测量方法。因此,该研究综述了相关技术的研究现状,以目前能够在田间应用的作物根系原位无损测量技术-探地雷达和电容法为例,系统分析总结了两者技术原理、当前应用情况、存在的关键问题以及未来研究方向等,研究认为,提高探地雷达测量作物根系的精度和证实电容法测量根系的可行性是未来研究主要的着力点。     

基于Sentinel-1雷达影像的玉米倒伏监测模型

在玉米发生倒伏灾害后,为定量监测区域尺度下的玉米倒伏程度,该研究以2017年8月8日因强风和强雨造成大面积玉米倒伏的小汤山国家精准农业研究示范基地作为研究区,提取倒伏前后Sentinel-1A雷达影像的多种强度信息,与实测倒伏样本关联分析,筛选出玉米倒伏前后最佳敏感后向散射系数。采用自然高与植株高的比值作为倒伏程度评价指标并构建比值公式,最终得到倒伏监测模型。结果表明,倒伏前后玉米植株高度的最优敏感后向散射系数分别为σVH和σVV+VH。32个建模点的实测差值结果与模拟差值结果的R~2为0.896(P0.01)。15个检验样本点和总样本点的倒伏程度分类准确度均达到100%。模型求解的自然高与植株高的比值与实测的比值总体相关性达到0.899。其中,中度倒伏类型的相关性最好,严重倒伏次之,轻度倒伏最差。该研究结果表明,在倒伏发生后,基于Sentinel-1A雷达后向散射系数构建的倒伏监测模型能在区域尺度下有效的实现玉米倒伏程度的分级监测。     

基于PS-InSAR技术监测土壤侵蚀可行性研究

近年来,永久散射体合成孔径雷达干涉测量技术(Persistent Scatterer Synthetic Aperture Radar Interferometry,PS-InSAR)快速发展,为宏观尺度的地表形变监测提供了契机,但该技术在国内尚未应用于土壤侵蚀监测研究.该研究尝试利用PS-InSAR方法监测内蒙古和林...     

基于遥感抽样的国家尺度农作物面积统计方法评估

国外从20世纪70年代已将遥感用于农业统计,中国从起步至今也有20多年的历史。遥感以其准确、及时、客观的优势推动了农业统计的进步,但对于遥感统计的精度评估一直不甚明确,影响了遥感监测的可信度和遥感技术优势的充分发挥。该文首先分析了目前国内外农业遥感统计的主要方法及其评估方式,针对中国大尺度农作物面积遥感统计方法的实际,采用多种指标对其进行评估,目的是对遥感统计调查的准确度予以明确的定义和计算。采用亚米级差分GPS采样获取足量样本的方法,对L andsat TM提取的水稻面积进行验证,基于原始的误差矩阵计算得出生产者精度为89.53%,用户精度为95.37%,总体精度为87.02%,地面实测数据和图像解译结果的相关系数为0.96;引入误差指标σ来直接反映分类结果较真值的总体误差,当σ〉0时,遥感解译结果较实际偏小,反之偏大,计算得到水稻遥感解译面积的σ值平均为0.084。