文献类型： 中文期刊

作者： 袁翠霞 ¹ ; 赵春江 ¹ ; 任艳敏 ¹ ; 刘玉 ¹ ; 李淑华 ¹ ; 李少帅 ² ;

作者机构： 1.北京市农林科学院信息技术研究中心

2.自然资源部国土整治中心

关键词： 田间道路;识别;深度学习;U-Net;面向对象;高标准农田

期刊名称： 农业机械学报

ISSN： 1000-1298

年卷期： 2023 年 005 期

页码： 163-169,218

收录情况： EI ; 北大核心 ; CSCD

摘要： 高标准农田是国家粮食安全的重要保障，作为其中的重要工程，田间道路的快速准确获取可为高标准农田建设质量评估和效果评价提供基础数据支撑。针对传统方法对细窄田间道路识别精度低、泛化能力不强的问题，本文提出了基于U-Net网络的高标准农田道路识别方法。首先，在分析田间道路基本特征的基础上，选取GF-2影像作为试验数据，采用面向对象方法对影像进行分割并根据对象特征进行分类，剔除光谱特征与田间道路相似的建筑物等非道路要素，减少道路识别干扰；然后，对影像进行裁剪、标签制作和数据增强等操作，并使用U-Net网络挖掘影像的深浅层特征，通过不断调整参数对网络进行训练，实现田间道路的快速识别；最后，依据道路断点特征，采用局部连接法对道路断点进行修复，并以河北省定州市东亭镇为试验区进行方法测算与精度验证。结果表明：通过挖掘622幅田间道路样本的影像特征，U-Net网络可以有效识别各类场景下的高标准农田道路，通过对道路断点进行修复后，研究区田间道路识别精确率达96%,召回率和F1值分别为62%、75%,该识别精度能够满足高标准农田建设质量快速评估要求。相比传统识别方法，结合面向对象和深度学习的方法可以在减少建筑物干扰的基础上快速地识别出田间道路，能更好解决田间道路材质差异大、植被遮挡等造成识别结果噪声多、误识别问题，该方法可为细窄地物的识别提供方法参考。