基于深度学习的无人机遥感小麦倒伏面积提取方法

为及时准确地提取小麦倒伏面积,提出一种融合多尺度特征的倒伏面积分割模型Attention_U2-Net.该模型以U2-Net为架构,利用非局部注意力(Non-local attention)机制替换步长较大的空洞卷积,扩大高层网络感受野,提高不同尺寸地物识别准确率;使用通道注意力机制改进级联方式提升模型精度;构建多层级联合加权损失函数,用于解决均衡难易度和正负样本不均衡问题.Attention_U2-Net在自建数据集上采用裁剪方式提取小麦倒伏面积,查准率为 86.53％,召回率为 89.42％,F1 值为 87.95％.与 FastFCN、U-Net、U2-Net、FCN、SegNet、DeepLabv3 等模型相比,Attention_U2-Net具有最高的F1值.通过与标注面积对比,Attention_U2-Net使用裁剪方式提取面积与标注面积最为接近,倒伏面积准确率可达97.25％,且误检面积最小.实验结果表明,Attention_U2-Net对小麦倒伏面积提取具有较强的鲁棒性和准确率,可为无人机遥感小麦受灾面积及评估损失提供参考.