深度语义分割网络无人机遥感松材线虫病变色木识别

作者：张瑞瑞; 夏浪; 陈立平^*; 丁晨琛; 郑爱春; 胡新苗; 伊铜川; 陈梅香; 陈天恩

来源：自然资源遥感, 2023, 1-9.

• 无人机遥感
• 变色木
• 深度学习

松材线虫病是危害我国林业资源的主要病害,研究深度语义分割网络无人机遥感松材线虫病变色木识别技术可提高松材线虫病变色木识别准确率,为提升和保护林业资源质量提供技术支撑。论文以青岛崂山松林为研究区,通过固定翼无人机航拍获取区域无人机松材线虫病疑似变色木影像,以FCN(fully convolutional networks)、UNet、DeepLabV3+和OCNet(Object Context Network)四种深度语义分割模型为研究对象,选用召回率(Recall)、精确率(Precision)、交并比(IoU)和F1值评估各模型分割精度。航拍飞行获得2 688张无人机影像,通过手动标记和样本扩增生成训练样本28800个。4种网络均能够较好的识别松材线虫病变色木,无显著误报,并且深度语义模型对颜色相近的地物,如岩石、黄色裸土有较好的辨别结果。总体上,DeepLabV3+具有最高的变色木分割精度,IoU与F1值分别为0.711和0.829,FCN模型分割精度最低,IoU与F1值分别为0.699和0.812。Deep Lab V3+训练耗时最低,达到27.2 ms/幅,FCN预测耗时最低,达到7.2 ms/幅,但分割变色木的边缘精度最低。以三种特征提取网络Res Net50、 Res Net101和Res Net152为前端特征提取网络构建的Deep Lab V3+模型变色木识别Io U值分别为0.711、0.702和0.702,F1值为0.829、0.822和0.820。Deep Lab V3+比Deep Lab V3网络具有更高的变色木识别精度,DeepLab V3网络变色木识别的Io U、F1值分别为0.701和0.812。Deep Lab V3+模型在测试数据中具有最高变色木识别精度,特征提取网络Res Net网络深度对变色木识别精度影响较小。Deep Lab V3+引入的编码和解码结构能够显著的改进Deep Lab V3分割精度,同时可获得详细的分割边缘,更有利于松材线虫病变色木识别。

• 单位
  北京市农林科学院