基于MHSA+DeepLab v3+的无人机遥感影像小麦倒伏检测

作者：杨蜀秦; 王鹏飞; 王帅; 唐云松; 宁纪锋; 奚亚军

来源：农业机械学报, 2022, 53(08): 213-239.

• 小麦
• 倒伏
• 深度语义分割
• 无人机遥感
• 注意力机制
• DeepLab v3+

倒伏是影响小麦产量和质量的重要因素之一，及时准确获取倒伏信息有利于小麦良种选育中的倒伏损失鉴定。本文以小麦灌浆期和成熟期两个生长阶段的可见光无人机遥感影像为依据，构建多生长阶段小麦倒伏数据集，通过在DeepLab v3+模型中添加不同的注意力模块进行比较分析，提出一种基于多头自注意力(MHSA)的DeepLab v3+小麦倒伏检测模型。试验结果表明，提出的MHSA+DeepLab v3+模型的平均像素精度(Mean pixel accuracy, mPA)和均交并比(Mean intersection over union, mIoU),灌浆期分别为93.09%和87.54%,成熟期分别为93.36%和87.49%。与代表性的SegNet、PSPNet和DeepLab v3+模型相比，在灌浆期mPA提高了25.45、7.54、1.82个百分点和mIoU提高了36.15、11.37、2.49个百分点，在成熟期mPA提高了15.05、6.32、0.74个百分点，mIoU提高了23.36、9.82、0.95个百分点。其次，相比于CBAM和SimAM两种注意力模块，在灌浆期及成熟期基于多头自注意力的DeepLab v3+表现均为最优，在灌浆期其mPA和mIoU分别提高了1.6、2.07个百分点和1.7、2.45个百分点，成熟期提高了0.27、0.11个百分点和0.26、0.15个百分点。研究表明提出的改进的DeepLab v3+模型能够有效地捕获灌浆期和成熟期的无人机小麦遥感图像中的倒伏特征，准确识别不同生育期的倒伏区域，具有良好的适用性，为利用无人机遥感技术鉴定小麦倒伏灾害等级和良种选育等提供了参考。

• 单位
  西北农林科技大学; 电子工程学院