無(wú)人機(jī)遙感影像在油菜品種識(shí)別中的應(yīng)用

李婕李毅張瑞杰李俐俐李禮姚劍喬江偉Summary：采用無(wú)人機(jī)遙感技術(shù)進(jìn)行油菜品種識(shí)別，是產(chǎn)量預(yù)測(cè)及災(zāi)害評(píng)估的重要前提和基礎(chǔ)。本研究利用無(wú)人機(jī)作為數(shù)據(jù)采集設(shè)備，以基地24個(gè)品種油菜苗期育種材料為識(shí)別數(shù)據(jù)，將無(wú)人機(jī)獲取的影像進(jìn)行拼接、裁剪、旋轉(zhuǎn)等預(yù)處理，按照4∶1劃分訓(xùn)練集和測(cè)試集，構(gòu)建注意力機(jī)制引導(dǎo)的卷積神經(jīng)網(wǎng)絡(luò)搭建油菜影像識(shí)別網(wǎng)絡(luò)模型，并采用總體準(zhǔn)確率、Kappa系數(shù)等評(píng)價(jià)參數(shù)對(duì)識(shí)別結(jié)果進(jìn)行評(píng)價(jià)。結(jié)果表明，本研究的網(wǎng)絡(luò)模型識(shí)別準(zhǔn)確率和Kappa系數(shù)分別達(dá)到了89.60%和0.8894，高于5個(gè)經(jīng)典網(wǎng)絡(luò)模型。說(shuō)明，注意力機(jī)制能夠更加充分地提取無(wú)人機(jī)遙感影像的油菜特征，有效地提高卷積神經(jīng)網(wǎng)絡(luò)對(duì)不同品種油菜的識(shí)別精度。本研究網(wǎng)絡(luò)模型彌補(bǔ)了傳統(tǒng)油菜細(xì)分需要人力統(tǒng)計(jì)及現(xiàn)有方法設(shè)備成本高的缺陷，為采用無(wú)人機(jī)遙感技術(shù)進(jìn)行作物品種識(shí)別提供技術(shù)支撐。Key：油菜;無(wú)人機(jī)遙感技術(shù);品種識(shí)別;卷積神經(jīng)網(wǎng)絡(luò);注意力機(jī)制：TP75

：A

：1000-4440（2022）03-0675-10ApplicationofUAVremotesensingimageinrapevarietyidentificationLIJie1，LIYi1，ZHANGRui-jie2，LILi-li2

，LILi2，YAOJian2，QIAOJiang-wei3（1.SchoolofElectricalandElectronicEngineering，HubeiUniversityofTechnology，Wuhan430068，China;2.SchoolofRemoteSensingandInformationEngineering，WuhanUniversity，Wuhan430070，China;3.OilCropsResearchInstitute，ChineseAcademyofAgriculturalSciences，Wuhan430062，China）Abstract：Usingunmannedaerialvehicle（UAV）remotesensingtechnologytoidentifyrapevarietiesisanimportantprerequisiteandbasisforyieldpredictionanddisasterassessment.Inthisstudy，UAVwasusedasdataacquisitionequipment，andthebreedingmaterialsof24rapevarietiesatseedlingstageinthebasewereusedasidentificationdata.TheimagesobtainedbytheUAVwerepreprocessedsuchassplicing，clippingandrotation.Thetrainingsetandtestsetweredividedaccordingtotheratioof4∶1，andtheconvolutionalneuralnetworkguidedbyattentionmechanismwasconstructedtobuildtherecognitionmodel.Theoverallaccuracy，Kappacoefficientandotherevaluationparameterswereusedtoevaluatetherecognitionresults.TheresultsshowedthattherecognitionaccuracyandKappacoefficientofthenetworkmodelconstructedinthisstudyreached89.60%and0.8894，respectively，whichwerehigherthanthoseofthefiveclassicalnetworkmodels.TheattentionmechanismcanextracttherapefeaturesofUAVremotesensingimagesmorefully，andeffectivelyimprovetherecognitionaccuracyofconvolutionalneuralnetworkfordifferentvarietiesofrape.Thenetworkmodelconstructedinthisstudymakesupfortheshortcomingsofhumanstatisticsandhighcostofexistingmethodsandequipment，andprovidestechnicalsupportforcropvarietyidentificationusingUAVremotesensingtechnology.Keywords：rape;unmamedaerialvehicle（UAV）remotesensingtechnology;varietyidentification;convolutionalneuralnetwork;attentionmechanism油菜是中國(guó)主要的油料作物，占世界產(chǎn)量的20%，在國(guó)民經(jīng)濟(jì)發(fā)展中占據(jù)著舉足輕重的地位[1-2]。長(zhǎng)江中下游作為油菜高產(chǎn)區(qū)，油菜品種繁多，不同品種的產(chǎn)量、抗性等有所差異，因此，及時(shí)、準(zhǔn)確地獲取油菜品種種植信息是產(chǎn)量預(yù)測(cè)及災(zāi)害評(píng)估的重要前提和基礎(chǔ)，對(duì)油菜種植規(guī)劃及生產(chǎn)管理措施制定具有重要意義。長(zhǎng)期以來(lái)，中國(guó)油菜品種種植信息等重要農(nóng)業(yè)統(tǒng)計(jì)數(shù)據(jù)，主要通過(guò)人工統(tǒng)計(jì)等傳統(tǒng)方法獲得，普遍存在調(diào)查工作量龐大、財(cái)力和物力耗費(fèi)高、調(diào)查周期長(zhǎng)等諸多缺陷。如今，遙感技術(shù)發(fā)展迅速，利用高分辨率的衛(wèi)星并以地面采樣調(diào)查為輔助，可實(shí)現(xiàn)油菜種植品種信息的精細(xì)提取[3]，但是由于衛(wèi)星重返周期長(zhǎng)，指定區(qū)域的實(shí)時(shí)性數(shù)據(jù)無(wú)法保證，所以單一利用遙感進(jìn)行油菜品種識(shí)別，監(jiān)測(cè)精度無(wú)法滿足實(shí)時(shí)性要求。因此，采用無(wú)人機(jī)遙感技術(shù)進(jìn)行油菜品種細(xì)分成為必要。目前，無(wú)人機(jī)遙感結(jié)合深度學(xué)習(xí)技術(shù)在大面積、快速、不破壞作物結(jié)構(gòu)的同時(shí)能夠獲取不同時(shí)空的多尺度作物冠層信息[4]，為作物表型研究[5-6]、產(chǎn)量及品質(zhì)監(jiān)控評(píng)估[7-8]、作物長(zhǎng)勢(shì)動(dòng)態(tài)[9]、精細(xì)農(nóng)業(yè)[10]等提供了可視化的分析依據(jù)。無(wú)人機(jī)根據(jù)載荷、監(jiān)測(cè)目的的不同能夠搭載不同類型的遙感傳感器。雖然無(wú)人機(jī)搭載多光譜成像傳感器的應(yīng)用較多[11-12]，但多光譜傳感器存在波段數(shù)有限、光譜信息量小、樣本標(biāo)記代價(jià)高的問(wèn)題，使其大面積推廣應(yīng)用受到限制;而無(wú)人機(jī)搭載高光譜傳感器在農(nóng)作物精細(xì)識(shí)別方面得到廣泛應(yīng)用[13-16]，由于其獲取的影像包含數(shù)百個(gè)波段，光譜分辨率能夠達(dá)到2～4nm，因此高光譜成像傳感器能夠準(zhǔn)確地反映大田中農(nóng)作物的光譜特征和不同農(nóng)作物之間的光譜差異[17]，但也存在樣本標(biāo)記代價(jià)高，實(shí)施成本昂貴的問(wèn)題[18]。無(wú)人機(jī)搭載RGB相機(jī)，具有成本低且受天氣影響較小等優(yōu)點(diǎn)，能夠獲取占用內(nèi)存較小的數(shù)碼照片，使大面積農(nóng)田信息快速采集、簡(jiǎn)單處理成為可能[19]。近年來(lái)國(guó)內(nèi)外學(xué)者運(yùn)用無(wú)人機(jī)搭載RGB相機(jī)的數(shù)碼照片對(duì)農(nóng)作物信息進(jìn)行提取取得了不錯(cuò)的效果，Bendig等[20]利用數(shù)碼相機(jī)估算大麥的株高、葉面積指數(shù)、倒伏狀況等信息，牛慶林等[21]采用無(wú)人機(jī)RGB影像提取各個(gè)時(shí)期、各個(gè)田塊玉米的株高信息。目前應(yīng)用低空無(wú)人機(jī)遙感手段估測(cè)油菜成長(zhǎng)參數(shù)的研究尚處在初級(jí)階段，已有的基于RGB相機(jī)對(duì)油菜品種的細(xì)分研究主要以近距離拍攝的圖像作為輸入[22-23]，鮮少僅以高空農(nóng)作物影像作為輸入。因此，本研究基于深度學(xué)習(xí)理論，以無(wú)人機(jī)獲取的影像為數(shù)據(jù)，利用不同油菜品種的高空視覺(jué)表型特征，提出一種基于普通消費(fèi)級(jí)無(wú)人機(jī)遙感影像的油菜品種的識(shí)別方法。該方法采用多尺度特征的提取方式，結(jié)合通道注意力機(jī)制，利用高維空間的最優(yōu)分類函數(shù)，對(duì)模型進(jìn)行優(yōu)化，使之與高空拍攝農(nóng)作物影像的識(shí)別與處理吻合。最后，通過(guò)構(gòu)建多組數(shù)據(jù)、多種模型的對(duì)比試驗(yàn)，驗(yàn)證該方法的有效性，為油菜的品種識(shí)別及農(nóng)作物智慧決策提供有益補(bǔ)充。1材料與方法1.1試驗(yàn)布置與數(shù)據(jù)采集油菜種植分為冬油菜（9底種植，次年5月收獲）和春油菜（4月底種植，9月收獲）。其中，冬油菜的種植面積和產(chǎn)量均占全國(guó)的90%以上，占世界的1/4。本研究選取湖北省武漢市新洲區(qū)中國(guó)農(nóng)業(yè)科學(xué)院油料作物研究所陽(yáng)邏基地（30°42′E，14°30′N）作為研究區(qū)域（圖1），該區(qū)域海拔約24m，氣候類型為亞熱帶季風(fēng)氣候。試驗(yàn)田共分252個(gè)小區(qū)，小區(qū)面積分為8m2（2m×4m）和6m2（2m×3m）2種。試驗(yàn)選擇24個(gè)不同品種的油菜材料，以p1～p24依次命名，其中，p1～p6每個(gè)品種重復(fù)種植24個(gè)小區(qū)，p7～p24每個(gè)油菜品種重復(fù)種植6個(gè)小區(qū)。試驗(yàn)時(shí)間在冬油菜的幼苗期，即2020年10月至次年1月。數(shù)據(jù)采集使用的無(wú)人機(jī)型號(hào)為大疆精靈Phantom4ProV2.0，搭載相機(jī)為2×107像素，拍攝單張圖像尺寸為5472×3648，具體采集環(huán)境如表1所示。采用自動(dòng)規(guī)劃航拍模式，航向重疊率和旁向重疊率設(shè)定為75%，飛行高度10m，以等距間隔方式進(jìn)行拍照，飛行速度為1.9m/s，約10min完成研究區(qū)域數(shù)據(jù)采集。大田24個(gè)不同品種的油菜苗期影像數(shù)據(jù)輸入，按照從左至右，自上而下順序分別放置了第1種至第24種不同油菜品種材料影像（圖2）。由圖2可以發(fā)現(xiàn)，部分品種視覺(jué)效果差異很小。1.2數(shù)據(jù)預(yù)處理為了獲取識(shí)別網(wǎng)絡(luò)模型的訓(xùn)練樣本，無(wú)人機(jī)分別拍攝了油菜在六葉期、八葉期以及十葉期的影像數(shù)據(jù)，每期包含p1～p24共24個(gè)油菜品種數(shù)據(jù)集，將獲取的無(wú)人機(jī)遙感影像數(shù)據(jù)進(jìn)行預(yù)處理，每期油菜數(shù)據(jù)集進(jìn)行4∶1劃分訓(xùn)練集和測(cè)試集。具體步驟如圖3所示。首先將研究區(qū)域的無(wú)人機(jī)航拍影像進(jìn)行拼接，獲取大田的正射影像，然后利用圖像處理軟件將正射影像按照實(shí)際地面尺寸進(jìn)行裁剪，同時(shí)綜合大田種植時(shí)的數(shù)據(jù)，為對(duì)應(yīng)的影像打上標(biāo)簽。因?yàn)樵囼?yàn)田和油菜品種有限，所以獲取的影像數(shù)據(jù)較少，可能不滿足模型訓(xùn)練的特征提取，為了解決這個(gè)問(wèn)題，本研究對(duì)標(biāo)記好的原始圖片進(jìn)行裁剪，并考慮到數(shù)據(jù)采集過(guò)程中天氣情況對(duì)圖像亮度的影響不同，對(duì)剪裁圖像的亮度進(jìn)行了操作。首先將圖像從RGB色彩空間轉(zhuǎn)變到HSV色彩空間，然后對(duì)亮度進(jìn)行調(diào)整，以10%的比例增加亮度，使網(wǎng)絡(luò)模型對(duì)不同天氣造成的亮度變化具有更強(qiáng)的適應(yīng)性。為了增加訓(xùn)練樣本以防止圖像數(shù)據(jù)過(guò)度擬合，需要對(duì)裁剪得到的中圖影像進(jìn)行數(shù)據(jù)擴(kuò)展。將獲取的單張品種p1～p6油菜中圖影像裁剪成18張小圖，品種p7～p24油菜中圖影像裁剪成15張小圖，得到最終的網(wǎng)絡(luò)模型訓(xùn)練和測(cè)試所需要的剪裁后的數(shù)據(jù)集（圖3）。1.3油菜品種識(shí)別網(wǎng)絡(luò)模型本研究采用的網(wǎng)絡(luò)模型結(jié)構(gòu)圖如圖4所示，其中主干網(wǎng)絡(luò)模型共分為3個(gè)尺度模塊，每個(gè)尺度模塊由2個(gè)連續(xù)的3×3卷積層（stride=1）及ReLU非線性激活函數(shù)組成，為了擴(kuò)展到下一個(gè)尺度模塊，采用2×2最大池化層并保留輸出塊中的最大像素使輸出分辨率減半。雖然每個(gè)卷積步驟中都存在2個(gè)像素的損失，但由于本研究目標(biāo)不是精確的特征定位，因此在不影響整體性能的情況下提高了訓(xùn)練和推理速度?？紤]到網(wǎng)絡(luò)模型的全局表現(xiàn)以及提升運(yùn)行速度，在每一次非線性激活函數(shù)之后，實(shí)行批量歸一化。識(shí)別部分采用參數(shù)較少的卷積操作來(lái)完成，通過(guò)特征提取得到圖像的特征后，首先經(jīng)過(guò)1×1的卷積將特征圖維度調(diào)整成1，然后用全局平均池化層得到輸入圖像的24類識(shí)別結(jié)果，最終用Softmax將結(jié)果轉(zhuǎn)化為各品種的概率。為了讓網(wǎng)絡(luò)模型在通道之間篩選提取出更加有用的特征信息，本研究考慮在主干網(wǎng)絡(luò)模型的基礎(chǔ)上添加注意力模塊。具體的結(jié)構(gòu)框圖如圖5所示。首先，通過(guò)對(duì)卷積得到的特征圖進(jìn)行處理，得到一個(gè)和通道數(shù)相同的一維向量作為每個(gè)通道的評(píng)價(jià)分?jǐn)?shù)，然后將該分?jǐn)?shù)分別施加到對(duì)應(yīng)的通道上。假設(shè)特征圖維度為h×w×c，在此基礎(chǔ)上做全局池化，池化窗口為h×w，通道數(shù)不變，那么經(jīng)過(guò)池化操作得到

1×1×c的特征圖;然后，連接2個(gè)全連接層，其中，第一個(gè)全連接層神經(jīng)元個(gè)數(shù)為c/r，相當(dāng)于對(duì)c進(jìn)行了降維;輸入c個(gè)特征，第二個(gè)全連接層神經(jīng)元個(gè)數(shù)為c，相當(dāng)于維度回到了c個(gè)特征，與直接用1個(gè)全連接層相比，這種鏈接方式具備更多的非線性，可以更好地?cái)M合通道間復(fù)雜的相關(guān)性，因此極大地減少了參數(shù)量和計(jì)算量;最后，考慮到通道之間的相關(guān)性，連接1個(gè)sigmod層，得到1×1×c的特征圖輸出。主干網(wǎng)絡(luò)模型的特征圖維度h×w×c，輸入到注意力模塊，得到通道的權(quán)值，維度為1×1×c，將主干網(wǎng)絡(luò)模型特征圖與權(quán)重特征圖相乘，得到的特征圖對(duì)應(yīng)的每個(gè)通道的重要性不同，權(quán)重大的特征值更大。在訓(xùn)練過(guò)程中，采用Loss函數(shù)為交叉熵函數(shù)，損失函數(shù)表達(dá)式如公式1所示：L=1N∑（-∑Mc=1yic

lgpic）（1）其中，M表示類別數(shù)，yic

為指示變量，如果該類別與樣本i的類別相同則為1，否則為0;pic

表示觀測(cè)樣本i為類別c的預(yù)測(cè)概率;N為樣本的數(shù)量。而本研究所對(duì)應(yīng)的任務(wù)，需要用多分類的交叉熵函數(shù)對(duì)24類的交叉熵函數(shù)進(jìn)行擴(kuò)展。1.4評(píng)價(jià)指標(biāo)本研究深度學(xué)習(xí)運(yùn)行硬件環(huán)境為Ubuntu16.04，硬件內(nèi)存為128G，2張NVIDIAGTX1080Ti顯卡。為了檢驗(yàn)?zāi)Ｐ偷姆€(wěn)定性，本研究利用交叉驗(yàn)證的方法，將樣本集分成5份，按照4∶1劃分訓(xùn)練集和測(cè)試集，最終計(jì)算

n次訓(xùn)練下的評(píng)價(jià)指標(biāo)。本研究采用公式（2）～公式（7）所示的評(píng)價(jià)指標(biāo)來(lái)評(píng)估網(wǎng)絡(luò)模型整體性能Top3和Top5準(zhǔn)確率，即在概率向量最大的前3/前5中，只要出現(xiàn)了正確概率即為預(yù)測(cè)正確。A（Accuracy）=TP+TNTP+TN+FP+FN（2）P（Precision）=TPTP+FP（3）R（Recall）=TPTP+FN（4）F1=2×P×RP+R（5）MacroF1=∑F1 

in（6）MicroF1=2×all_p×all_rall_p+all_r（7）其中，準(zhǔn)確率（Accuracy）：識(shí)別正確樣本數(shù)除以總樣本數(shù);查準(zhǔn)率（Precision）：識(shí)別正確的正樣本個(gè)數(shù)占分類器分成的所有正樣本個(gè)數(shù)的比例;召回率（Recall）：識(shí)別正確的正樣本個(gè)數(shù)占實(shí)際正樣本個(gè)數(shù)的比例;MacroF1和MicroF1值：兼顧識(shí)別模型的查準(zhǔn)率和召回率，是兩者的調(diào)和均值;

TP（True

Positive）表示正類樣本被模型分為正類樣本，F(xiàn)P（False

Positive）表示負(fù)類樣本被模型分為正類樣本。TN（True

Negetive）表示負(fù)類樣本被模型分為負(fù)類樣本，F(xiàn)N（False

Negetive）表示正類樣本被模型分為負(fù)類樣本。2結(jié)果與分析2.1本研究網(wǎng)絡(luò)模型的驗(yàn)證為了驗(yàn)證本研究網(wǎng)絡(luò)模型的有效性，本研究分別用4個(gè)單獨(dú)時(shí)期的油菜數(shù)據(jù)集進(jìn)行試驗(yàn)。每期數(shù)據(jù)按照4∶1的比例劃分訓(xùn)練小區(qū)和測(cè)試小區(qū)，然后將對(duì)應(yīng)小區(qū)增強(qiáng)后的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，得到參與訓(xùn)練和測(cè)試的樣本數(shù)量分別為6510張和1914張，如表2和表3所示。經(jīng)過(guò)迭代后訓(xùn)練效果如圖6所示，從圖6可以看出，隨著迭代次數(shù)的增加，精度提升，誤差降低，大約訓(xùn)練150個(gè)周期后，誤差和精度趨于平穩(wěn)，說(shuō)明網(wǎng)絡(luò)模型的偏差、方差和精度接近完全收斂。在試驗(yàn)中基本參數(shù)設(shè)置，學(xué)習(xí)率為0.01，batch_size為32，epoch為300。試驗(yàn)得到6個(gè)性能指標(biāo)在4個(gè)數(shù)據(jù)集里的整體性能如表4所示。對(duì)比不同油菜苗期數(shù)據(jù)集上的識(shí)別結(jié)果，總體上前期識(shí)別精度更高，各項(xiàng)性能指標(biāo)更好，油菜在六葉期更加適合品種識(shí)別。為了評(píng)價(jià)本研究網(wǎng)絡(luò)模型識(shí)別不同品種油菜的效果，對(duì)24個(gè)油菜品種p1～p24進(jìn)行歸類分析，每個(gè)品種識(shí)別精確度如圖7所示。對(duì)4個(gè)采集時(shí)期的每個(gè)油菜品種識(shí)別精度求平均，將平均識(shí)別精度效果分為4個(gè)層次，高于95.0%為識(shí)別效果最好，85.1%～95.0%為較好，75.1%～85.0%為一般，低于75%為較差，具體識(shí)別效果如表5所示。結(jié)果表明，本研究模型對(duì)p3、p5、p11、p12、p19、p22、p23、p24這8個(gè)油菜品種識(shí)別效果最好，平均精度都是95%以上，尤其是品種p12和p22，其識(shí)別精度分別達(dá)到了99.45%和99.19%;但是對(duì)品種p1和p7識(shí)別效果較差，其識(shí)別精度只有68.62%和72.73%，分析原因可能是品種p1和p7整體表型差異性較小，葉片密集且極度相似，視覺(jué)上難以區(qū)分（圖8），網(wǎng)絡(luò)模型對(duì)其誤判嚴(yán)重，所以導(dǎo)致識(shí)別精度不高。2.2本研究網(wǎng)絡(luò)模型在不同時(shí)期采集數(shù)據(jù)上的識(shí)別精度分析在4個(gè)采集時(shí)期中，本研究網(wǎng)絡(luò)模型隨著油菜成長(zhǎng)期的推進(jìn)對(duì)其識(shí)別的準(zhǔn)確率呈下降趨勢(shì)，F(xiàn)1、Top3、Top5指標(biāo)也相應(yīng)下降。因?yàn)檫M(jìn)入八葉期、十葉期，葉片逐漸茂盛，隨著生長(zhǎng)發(fā)育進(jìn)程的推進(jìn)，油菜葉形不斷發(fā)生變化，而氣溫長(zhǎng)時(shí)間在零下的越冬期，葉形最復(fù)雜，因?yàn)橛筒巳~片會(huì)出現(xiàn)受凍癥狀。圖9展示了油菜品種p1在同一位置的4個(gè)采集時(shí)期的影像，從圖9中可以發(fā)現(xiàn)，第4次采集的數(shù)據(jù)與前面3次采集的數(shù)據(jù)相比，差異較大。因?yàn)榈?次采集的數(shù)據(jù)采集時(shí)間正處于冬油菜的越冬期，由于氣溫較低，油菜葉片呈現(xiàn)卷曲現(xiàn)象，甚至有的葉片發(fā)紫變黃，出現(xiàn)不同程度的凍傷現(xiàn)象，從而導(dǎo)致準(zhǔn)確率及識(shí)別精度與前面3次相比有所降低。圖10為本研究模型在4個(gè)采集時(shí)期形成的混淆矩陣，其中混淆矩陣的行表示真實(shí)值的樣本，每一行之和表示真實(shí)樣本數(shù)量;混淆矩陣的列表示預(yù)測(cè)樣本類別，每一列之和表示預(yù)測(cè)為該類別的樣本數(shù)量。通過(guò)混淆矩陣可以看出，基于當(dāng)前的樣本集合，有一些類別具有較強(qiáng)相似性。2.3識(shí)別結(jié)果的可視化本研究在試驗(yàn)田的測(cè)試區(qū)展示了第2次采集數(shù)據(jù)的識(shí)別結(jié)果。這種顯示方式一定程度上可以幫助管理者快速獲得識(shí)別結(jié)果。如圖11所示，黑色實(shí)線矩形框區(qū)域?yàn)楸敬畏诸悓?shí)驗(yàn)田，黑色虛線內(nèi)的白色矩形框區(qū)域?yàn)闇y(cè)試區(qū)的47個(gè)小區(qū)，種有24個(gè)品種。放大的測(cè)試區(qū)中顏色越深表明小區(qū)的分類錯(cuò)誤率越高，從試驗(yàn)結(jié)果可以看出，測(cè)試區(qū)1主要為品種p1至p6，結(jié)果顯示無(wú)錯(cuò)分類別;測(cè)試區(qū)2為品種p7至p24，其中，顏色最深的2塊小區(qū)對(duì)應(yīng)的品種p16容易被錯(cuò)分為品種p4，剩下的較淺的錯(cuò)分區(qū)域主要為品種p13和p15分類混淆。本研究將錯(cuò)分的類別影像進(jìn)行了對(duì)比，分類錯(cuò)誤的樣本與真實(shí)的樣本視覺(jué)上具有極高的相似度，導(dǎo)致本研究模型誤判，從而降低了不同油菜品種識(shí)別的區(qū)分精度，這幾個(gè)品種在幼苗期具有極強(qiáng)的相似性，油菜生長(zhǎng)周期長(zhǎng)，不同時(shí)期不同環(huán)境生長(zhǎng)的油菜特征差異可能會(huì)更加明顯，因此可能需要在不同時(shí)期不同種植位置采集這幾個(gè)相似性強(qiáng)的品種，獲取更多數(shù)據(jù)，增加差異性，得到更強(qiáng)的特征，從而更好地加以細(xì)分。由于本研究網(wǎng)絡(luò)模型屬于輕量化設(shè)計(jì)，所以網(wǎng)絡(luò)模型訓(xùn)練參數(shù)量少，速度快，網(wǎng)絡(luò)模型結(jié)構(gòu)簡(jiǎn)單，因此對(duì)極相似油菜品種不易區(qū)分，后續(xù)考慮改進(jìn)算法增加網(wǎng)絡(luò)模型復(fù)雜度和采集不同環(huán)境下的數(shù)據(jù)，提高差異性較小的不同油菜品種的識(shí)別能力，增加網(wǎng)絡(luò)模型的魯棒性。2.4本研究網(wǎng)絡(luò)模型與傳統(tǒng)識(shí)別網(wǎng)絡(luò)模型的對(duì)比為了驗(yàn)證本研究提出的網(wǎng)絡(luò)模型的客觀性，本研究將其分別與Resnet[24]、Densenet[25]、Resnext[26]、Efficientnet[27]、Shufflenet[28]

5種經(jīng)典的網(wǎng)絡(luò)模型進(jìn)行對(duì)比，試驗(yàn)過(guò)程中采用相同的基本參數(shù)，由于不同品種油菜生長(zhǎng)不同步，有的油菜品種早期葉片極度稀少，晚期油菜葉片有大量?jī)鰝?，這些數(shù)據(jù)會(huì)影響數(shù)據(jù)集的質(zhì)量，所以本研究選擇在生長(zhǎng)狀況較好的八葉期采集的數(shù)據(jù)。不同網(wǎng)絡(luò)模型在同一個(gè)數(shù)據(jù)集的相同基本參數(shù)下的各項(xiàng)性能指標(biāo)如表6所示。從表6可以看出，本研究提出的網(wǎng)絡(luò)模型在各項(xiàng)指標(biāo)上的精度都高于其他5個(gè)經(jīng)典網(wǎng)絡(luò)模型，準(zhǔn)確率達(dá)到89.60%。Densenet網(wǎng)絡(luò)模型是通過(guò)每層直接相連的相鄰設(shè)置，對(duì)上一層學(xué)習(xí)到的特征進(jìn)行重用，極大地減少網(wǎng)絡(luò)的參數(shù)量，加強(qiáng)了特征傳播，緩解了梯度消失的問(wèn)題，便于更好訓(xùn)練，提升了識(shí)別準(zhǔn)確率，因此在5種經(jīng)典網(wǎng)絡(luò)模型中擁有最高的準(zhǔn)確率。Resnext、Efficientnet、Resnext網(wǎng)絡(luò)模型的準(zhǔn)確率相近，相比于Resnet網(wǎng)絡(luò)模型，準(zhǔn)確率提升了4個(gè)百分點(diǎn)左右，而Resnet網(wǎng)絡(luò)模型卷積層層數(shù)多，參數(shù)量大，訓(xùn)練時(shí)間長(zhǎng)，在本研究構(gòu)造的小數(shù)據(jù)集中的準(zhǔn)確率最低。Resnext網(wǎng)絡(luò)模型利用分組卷積控制基數(shù)減少了超參數(shù)，簡(jiǎn)化了網(wǎng)絡(luò)模型結(jié)構(gòu)。Efficientnet和Shufflenet網(wǎng)絡(luò)模型也通過(guò)建立輕量級(jí)網(wǎng)絡(luò)模型減少網(wǎng)絡(luò)模型復(fù)雜度和減少訓(xùn)練時(shí)間來(lái)提升準(zhǔn)確率，這2種網(wǎng)絡(luò)模型準(zhǔn)確率、Macro_F1和Top3以及Top5的數(shù)值相近。總體而言，由于經(jīng)典網(wǎng)絡(luò)模型常具有較多的參數(shù)[29-30]，因此容易發(fā)生過(guò)擬合，而本研究設(shè)計(jì)的網(wǎng)絡(luò)模型，結(jié)構(gòu)簡(jiǎn)單，參數(shù)量較少，并且能夠更精確地識(shí)別不同品種的油菜。3討論針對(duì)傳統(tǒng)油菜品種細(xì)分需要人力統(tǒng)計(jì)及現(xiàn)有方法設(shè)備成本高的問(wèn)題，本研究提出了一種基于普通消費(fèi)級(jí)無(wú)人機(jī)遙感影像的油菜品種識(shí)別方法，采用無(wú)人機(jī)遙感進(jìn)行了數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理等研究工作，結(jié)合本研究提出的網(wǎng)絡(luò)模型結(jié)構(gòu)，首先對(duì)4次采集的油菜數(shù)據(jù)進(jìn)行了試驗(yàn)以尋找最適合分類的油菜時(shí)期，再用油菜八葉期的2個(gè)時(shí)間段合并的數(shù)據(jù)集與傳統(tǒng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比，并對(duì)識(shí)別結(jié)果進(jìn)行分析，結(jié)果表明：（1）基于SE注意力模塊的卷積神經(jīng)網(wǎng)絡(luò)能夠從油菜作物無(wú)人機(jī)遙感影像中學(xué)習(xí)到表達(dá)力更強(qiáng)的語(yǔ)義特征，提取特征更加充分。且本研究網(wǎng)絡(luò)模型架構(gòu)簡(jiǎn)單，參數(shù)量較少，在增加SE注意力模塊后，網(wǎng)絡(luò)模型學(xué)習(xí)的特征信息豐富，從而能夠達(dá)到對(duì)油菜生長(zhǎng)時(shí)期關(guān)鍵節(jié)點(diǎn)的影像快速分類的目的。與Resnet、Densenet、Resnext、Efficient、Shufflenet等傳統(tǒng)網(wǎng)絡(luò)模型相比，本研究網(wǎng)絡(luò)模型識(shí)別準(zhǔn)確率和Kappa系數(shù)最高，達(dá)到了89.60%和0.8894，為利用無(wú)人機(jī)遙感影像識(shí)別油菜品種提供了一種新的技術(shù)參考。（2）通過(guò)對(duì)24個(gè)油菜品種進(jìn)行歸類分析，發(fā)現(xiàn)在品種p1～p24中，本研究網(wǎng)絡(luò)模型最容易識(shí)別出品種p12和p22，其識(shí)別精度接近100%，對(duì)品種p3、p5、p11、p19、p23、p24這6個(gè)品種識(shí)別效果也很好，平均精度都在95%以上，但是對(duì)p1和p7識(shí)別效果較差，其精度只有70%左右，余下14個(gè)品種識(shí)別效果都處于較好級(jí)別，整體識(shí)別效果較好，表明無(wú)人機(jī)遙感影像結(jié)合增加注意力模塊的卷積神經(jīng)網(wǎng)絡(luò)能夠很好地對(duì)油菜品種進(jìn)行識(shí)別。（3）冬油菜進(jìn)入八葉期、十葉期，葉片逐漸茂盛，隨著生長(zhǎng)發(fā)育進(jìn)程的推進(jìn)，油菜葉形不斷的發(fā)生變化，而當(dāng)油菜長(zhǎng)時(shí)間處于氣溫零下的越冬期時(shí)，葉形最復(fù)雜，溫度降低導(dǎo)致部分油菜品種葉片出現(xiàn)受凍癥狀，視覺(jué)效果呈現(xiàn)為葉片卷曲和顏色變深，具體表現(xiàn)為葉片發(fā)黃或發(fā)紫、皺縮、僵化、葉柄呈水漬狀;而當(dāng)溫度回升、土壤解凍后，葉片逐漸萎蔫、變黃、脫落，導(dǎo)致同一品種的無(wú)人機(jī)遙感影像差異大，從而使網(wǎng)絡(luò)模型學(xué)習(xí)特征較難，致使網(wǎng)絡(luò)模型識(shí)別精度下降。因此，識(shí)別時(shí)期應(yīng)選擇在幼苗期前期。結(jié)合無(wú)人機(jī)遙感影像與深度學(xué)習(xí)在油菜品種識(shí)別中展現(xiàn)出的較好效果，增加SE注意力模塊后的網(wǎng)絡(luò)模型與傳統(tǒng)網(wǎng)絡(luò)模型相比，在準(zhǔn)確率上也有較大優(yōu)勢(shì)，各項(xiàng)性能指標(biāo)均有提高。但由于試驗(yàn)小區(qū)及品種的局限性，后續(xù)將考慮增加試驗(yàn)田和油菜品種，用以驗(yàn)證網(wǎng)絡(luò)模型結(jié)構(gòu)的魯棒性;另外，考慮到在幼苗期部分品種的相似性，本研究考慮添加不同物候期的油菜數(shù)據(jù)用于后續(xù)精細(xì)化的識(shí)別研究。Reference：[1]QIONGH，WEIH，YANY，etal.RapeseedresearchandproductioninChina[J].TheCropJournal，2017，5（2）：127-135.[2]劉成，馮中朝，肖唐華，等.我國(guó)油菜產(chǎn)業(yè)發(fā)展現(xiàn)狀、潛力及對(duì)策[J].中國(guó)油料作物學(xué)報(bào)，2019，41（4）：485-489.[3]王晨宇，張亞民，吳伯彪，等.基于無(wú)人機(jī)遙感的農(nóng)作物自動(dòng)分類研究[J].農(nóng)業(yè)與技術(shù)，2021，41（1）：52-57.[4]尹凡，劉燕，董晶晶，等.基于冠層實(shí)測(cè)光譜的油菜品種識(shí)別[J].湖北農(nóng)業(yè)科學(xué)，2013，52（23）：5866-5870.[5]袁培森，李潤(rùn)隆，任守綱，等.表示學(xué)習(xí)技術(shù)研究進(jìn)展及其在植物表型中應(yīng)用分析[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（6）：1-14.[6]JIANGY，LIC.Convolutionalneuralnetworksforimage-basedhigh-throughputplantphenotyping：areview[J].PlantPhenomics，2020，2（1）：1-22.[7]MASJEDIA，CARPENTERNR，CRAWFORDMM，etal.PredictionofsorghumbiomassusingUAVtimeseriesdataandrecurrentneuralnetworks[C].LongBeach，America：IEEE/CVF，2019.[8]MASJEDIA，ZHAOJ，ZHAOJ，etal.SorghumbiomasspredictionusingUAV-Basedremotesensingdataandcropmodelsimulation[C].Valencia，Spain：IEEE，2018.[9]KOHJCO，HAYDENM，DAETWYLERH，etal.EstimationofcropplantdensityatearlymixedgrowthstagesusingUAVimagery[J].PlantMethods，2019，15（1）：1-9.[10]BAUERA，BOSTROMAG，BALLJ，etal.Combiningcomputervisionanddeeplearningtoenableultra-scaleaerialphenotypingandprecisionagriculture：acasestudyoflettuceproduction[J].HorticultureResearch，2019，6（1）：1-12.[11]CANDIAGOS，REMONDINOF，GIGLIOMD，etal.Evaluating

multispectralimagesandvegetationindicesforprecisionfarmingapplicationsfromUAVimages[J].RemoteSensing，2015，7（4）：4026-4047.[12]VERGERA，VIGNEAUN，CHRONC，etal.Greenareaindexfromanunmannedaerialsystemoverwheatandrapeseedcrops[J].RemoteSensingofEnvironment，2014，152：654-664.[13]張豐，熊楨，寇寧.高光譜遙感數(shù)據(jù)用于水稻精細(xì)分類研究[J].武漢理工大學(xué)學(xué)報(bào)，2002，24（10）：36-39.[14]劉亮，姜小光，李顯彬，等.利用高光譜遙感數(shù)據(jù)進(jìn)行農(nóng)作物分類方法研究[J].中國(guó)科學(xué)院研究生院學(xué)報(bào)，2006，23（4）：484-488.[15]孫婷，田建平，胡新軍，等.基于高光譜成像技術(shù)的釀酒高粱品種分類[J].食品與發(fā)酵工業(yè)，2021，47（5）：186-192.[16]王林江，吳炳方，張淼，等.關(guān)鍵生育期冬小麥和油菜遙感分類方法[J].地球信息科學(xué)學(xué)報(bào)，2019，21（7）：1121-1131.[17]COLOMINAI，MOLINAP.Unmannedaerialsystemsforphotogrammetryandremotesensing：areview[J].ISPRSJournalofPhotogrammetryandRemoteSensing，2014，92：79-97.[18]陳小幫，左亞堯，王銘鋒，等