科研产出
基于WorldView-2影像和语义分割模型的小麦分类提取
《遥感技术与应用 》 2022 北大核心 CSCD
摘要：为使用高分辨率遥感影像和深度学习语义分割模型实现快速准确的小麦种植空间信息提取，以WorldView-2遥感影像为数据源，制作尺度分别为128×128、256×256、512×512的样本数据集，对U-net和DeepLab3+语义分割模型的参数进行训练，建立小麦遥感分类模型；通过与极大似然和随机森林方法比较，检验深度学习分类效果。结果显示：（1）不同尺度样本训练得到的模型总体精度、Kappa系数分别在94%和0.82以上，模型精度稳定，样本尺度大小对小麦分类提取模型影响较小；（2）深度学习方法的小麦分类总精度和Kappa系数分别在94%和0.89以上，极大似然和随机森林则在92%和0.85以下，表明该研究建立的小麦遥感分类模型优于传统分类方法。研究结果可为高分辨率遥感影像作物种植信息的深度学习方法提取提供参考。
关键词： 高分辨率影像 U-net DeepLabv3+ 小麦 信息提取
全文链接
请求原文
基于U-Net的玉米叶部病斑分割算法
《中国农学通报 》 2021 CSCD
摘要：本文旨在提出一种基于U-Net算法模型的玉米病程分级方法,实现对玉米常见4类叶部病害程度的快速、准确、客观分级。该方法以两组U-Net模型并行运算实现对玉米叶部病斑图像的语义分割任务。经测试图像分割试验中病斑分割MIoU值达到93.63%,叶片分割MIoU值达到96.33%,且运算速度均在1秒内完成。试验结果表明,该研究以手机拍照等方式采集数据源,不依赖专业仪器设备即可实现玉米病害快速分级,可取代以往以人工目测进行的病害识别方式,提高了病害分级的准确性和客观性。该模型与物联网设备结合运用,可实现玉米病害预警、降低病害影响、增产增收科技惠农的目标。
全文链接
请求原文
首页上一页1下一页尾页
