文献类型： 中文期刊

作者： 张瑞瑞 ¹ ; 夏浪 ¹ ; 陈立平 ¹ ; 丁晨琛 ¹ ; 郑爱春 ² ; 胡新苗 ² ; 伊铜川 ¹ ; 陈梅香 ¹ ; 陈天恩 ¹ ;

作者机构： 1.北京市农林科学院智能装备技术研究中心

2.南京市浦口区林业站

关键词： 无人机遥感;变色木;深度学习

期刊名称： 自然资源遥感

ISSN： 2097-034X

年卷期： 2024 年 36 卷 003 期

页码： 216-224

收录情况： 北大核心 ; CSCD

摘要： 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。该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，以全卷积网络(fully convolutional networks, FCN),U-Net, DeepLabV3+和OCNet 4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(intersection over union, 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28 800个。4种网络均能够较好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、黄色裸土等有较好的辨别结果。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; DeepLabV3+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3种特征提取网络ResNet50,ResNet101和ResNet152为前端特征提取网络构建的DeepLabV3+模型变色木识别IoU值分别为0.711,0.702和0.702,F1值分别为0.829,0.822和0.820。DeepLabV3+比DeepLabV3网络具有更高的变色木识别精度，DeepLabV3网络变色木识别的IoU和F1值分别为0.701和0.812。DeepLabV3+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ResNet网络深度对变色木识别精度影响较小。DeepLabV3+引入的编码和解码结构能够显著改进DeepLabV3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。