科研之友
微信
新浪微博
Facebook
分享链接
摘要
基于无人机可见光影像的果树树冠分割易受地形起伏、灌木及杂草等复杂背景影响，尽管现有深度神经网络能在一定程度上提高树冠分割的鲁棒性，但因受感受野和信息交互限制而忽略了树冠全局上下文和局部细节信息，制约了树冠分割精度进一步提高。针对此，本文引入果树高度模型与深度学习算法，提出一种耦合卷积神经网络与注意力机制的无人机摄影测量果树树冠分割方法。该方法首先通过迁移学习构建基于卷积神经网络与注意力机制的耦合深度网络模型来提取果树树冠局部和全局上下文高级语义特征；同时，顾及深度语义特征与果树树冠位置关联性，设计了局部与全局特征融合模块来实现属性与空间位置协同树冠分割。以柑橘果树树冠分割为例，实验结果表明，引入树冠高度模型能有效抑制地形起伏影响，提出的方法总体精度、F1评分和均交并比最高分别达到97.57%、95.49%和94.05%，能显著削弱低矮杂草或灌木对树冠提取的干扰。此外，与SegFormer、SETR＿PUP、TransUNet、TransFuse和CCTNet等先进网络模型相比，均交并比分别提升了1.79%、8.83%、1.16%、1.43%和1.85%。提出的方法可实现复杂背景下果树树冠高精度分割，对于掌握果树生长状况和果园精细化管理具有重要的实用价值。
- 单位
