[发明专利]基于迁移学习的多个生育期小麦倒伏区域识别方法

说明书

本发明涉及图像识别技术领域，特别涉及一种基于迁移学习的多个生育期小麦倒伏区域识别方法，包括以下步骤：A、拍摄待识别麦田的RGB图像和/或多光谱图像；B、对图像进行拼接和剪裁得到待识别麦田的完整图；C、将待识别麦田的完整图导入训练好的DeepLabv3+模型中进行倒伏区域的识别。这里基于DeepLabv3+网络模型，采用迁移学习的方式构建两种方法实现多生育期小麦倒伏区域提取，基于无人机影像和迁移学习方法可以有效获取多时期的倒伏小麦特征，实现高精度的小麦区域自动提取，使得精准检测小麦倒伏区域称为可能，为研究小麦倒伏影响因素提供有力的数据支持；该方法受环境影响小，且实现起来方便，在训练好DeepLabv3+模型以后，只需要拍摄待识别麦田的图像导入模型中即可自动识别倒伏区域。

技术领域

本发明涉及图像识别技术领域，特别涉及一种基于迁移学习的多个生育期小麦倒伏区域识别方法。

背景技术

小麦作为全球最主要的粮食作物之一，常因病虫害、洪涝等自然灾害和栽培管理过程中的种植密度过高、氮肥过量等因素影响，容易出现大面积倒伏的现象。小麦生育中后期任一时期发生倒伏现象时，都会显著降低小麦产量和品质，这对全球小麦健康生产造成巨大的潜在隐患。因此，研究小麦倒伏无损监测方法或技术对全球粮食稳定生产具有重要的价值和意义。

在作物倒伏无损遥感监测中，主要分近地、机载以及卫星遥感等三种手段。

利用普通数码相机获取作物倒伏图像，是实现近地遥感的重要方式。Ogden等人使用获得的田间倒伏水稻图像数据的截距项和总体变异系数，实现倒伏等级预测，其结果高度依赖数据的质量。一些学者探索高光谱仪(光谱范围从可见光扩展到中红外波段，350nm-2500nm)识别作物倒伏的可行性，Liu等人利用PCA筛选高光谱植被指数，经过概率神经网络有效地实现水稻倒伏区域提取。进一步的，一些其他传感器比如雷达、偏振相机也被用于作物倒伏监测方法研究。Bouman等人为探究后向散射对倒伏作物的监测能力，通过车载X-band调频连续波雷达，发现垂直极化时，倒伏大麦导致后向散射增加。Fitch等人通过偏振滤光片近地获取大麦和小麦黑白照片，获取线性极化辐射度，得出倒伏大麦使得线性极化空间平均值较低，小麦因倒伏使得线性极化均值增加的结论。梳理上述前人研究成果可发现，近地遥感在识别作物倒伏时准确性上具有技术优势，考虑到实际农业生产中，农户、农场主或保险公司更需要知道大面积的倒伏情况，以便指导其采取合理的生产措施或给出赔偿，使得近地遥感无法进行大面积推广应用。

在卫星作为作物倒伏信息获取平台时，Li等人利用Worldview-2影像获取玉米倒伏区域面积，将红边、近红外1及近红外2三个波段作为优选波段，采用最大似然分类方法获得玉米倒伏面积的平均误差为4.7％。Liu等人基于2景Landsat ETM影像获得小麦倒伏发生前后的归一化差异植被指数(NDVI)，成功获取小麦倒伏的发生程度。由于受到天气、重返周期等因素的影响，限制了卫星影像在作物倒伏监测领域的应用。

除了卫星光学遥感影像被用到农作物倒伏监测外，在多种作物倒伏场景下，卫星雷达数据也被使用。zhao等人利用中心入射角为38°的全极化SAR影像，发现倒伏小麦的垂直极化增加，水平极化减小，去极化程度增加，同时体现反射不对称性等多项特征；进一步的，由，Yang等人利用极化参数对小麦倒伏敏感性高的特点构建极化指数，实现小麦抽穗期、成熟期的倒伏区域提取。此外，Han等人使用合成孔径雷达数据从玉米株高的角度，获取最敏感指数分别为VH和VV+VH，实现对轻度、中度以及重度倒伏小麦分类，准确率分别为97％、100％和83％。考虑到作物含水量、土壤水分、地面复杂场景等均会对卫星平台的合成孔径雷达数据造成影响，其在作物倒伏大面积提取与实际应用中还需进一步探索研究。