[1]范宏,刘素红,陈吉军,等.基于深度学习的白喉乌头与牧草高精度分类研究[J].江苏农业科学,2021,49(12):173-180.
　Fan Hong,et al.Study on high-precision classification of Aconitum leucostomum Worosch and pasture based on deep learning[J].Jiangsu Agricultural Sciences,2021,49(12):173-180.
点击复制

基于深度学习的白喉乌头与牧草高精度分类研究()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第49卷
期数:
2021年第12期
页码:
173-180
栏目:
农业工程与信息技术
出版日期:
2021-06-20

文章信息/Info

Title:
Study on high-precision classification of Aconitum leucostomum Worosch and pasture based on deep learning
作者:
范宏1; 2; 刘素红3; 陈吉军4; 沈江龙1; 2; 乔雪丽1; 2; 郑江华1; 2
1.新疆大学资源与环境科学学院，新疆乌鲁木齐 830046； 2.新疆大学绿洲生态教育部重点实验室，新疆乌鲁木齐 830046；3.北京师范大学环境遥感与数字城市北京重点实验室，北京 100875； 4.新疆治蝗灭鼠指挥部办公室，新疆乌鲁木齐 830046
Author(s):
Fan Hong; et al
关键词:
卷积神经网络; 毒害草; 无人机影像; 图像识别; 白喉乌头; 牧草
Keywords:
-
分类号:
TP391.41；S127
DOI:
-
文献标志码:
A
摘要:
采用无人机获取白喉乌头危害草原区的1 cm空间分辨率的无人机数字正射影像，分别在5×5、10×10、20×20、40×40、80×80像素5个尺度下选取白喉乌头和普通牧草2类训练样本，使用VGG16、VGG19、ResNet50等3种模型对图像切片的特征进行学习，以获取图像切片的深层特征，进而实现对2类地物的分类提取。对比5个分割尺度下3种模型得到的分类精度，发现不同的分割尺度对分类精度有明显影响，随着分割尺度的增加分类精度呈现出先升高再降低的趋势，在40×40像素尺度下3种方法都得到了最高的分类精度，分别为95.31%、96.88%、93.75%，白喉乌头的分类验证精度分别为86.52%、92.77%、93.81%。对分类结果进行分析发现，在40×40像素的尺度下对应的地面实际范围是40 cm×40 cm，与白喉乌头的单株长宽接近，能较好地提取白喉乌头整株的深层特征。
Abstract:
-

参考文献/References:

［1］李宏，陈卫民，陈翔，等. 新疆伊犁草原毒害草种类及其发生与危害［J］. 草业科学，2010，27(11)：171-173.
［2］温阿敏，郑江华，穆晨，等. 基于GF-1WFV数据的草原毒草白喉乌头空间分布监测与分析［J］. 新疆农业科学，2015，52(10)：1939-1946.
［3］Felinks B，Pilarski M，Wiegleb G. Vegetation survey in the former brown coal mining area of eastern Germany by integrating remote sensing and ground-based methods［J］. Applied Vegetation Science，1998，1(2)：233-240.
［4］Jia X P，Richards J A. Segmented principal components transformation for efficient hyperspectral remote-sensing image display and classification［J］. IEEE Transactions on Geoscience and Remote Sensing，1999，37(1)：538-542.
［5］Nagler P L，Daughtry C S T，Goward S N. Plant litter and soil reflectance［J］. Remote Sensing of Environment，2000，71(2)：207-215.
［6］郭芬芬，范建容，汤旭光，等. 基于HJ-1A高光谱数据的藏北高原草地分类方法对比［J］. 遥感信息，2013，28(1)：77-82，88.
［7］杜欣，黄晓霞，李红旮，等. 基于投影寻踪学习网络算法的植物群落高分遥感分类研究［J］. 地球信息科学学报，2016，18(1)：124-132.
［8］Chen J J，Yi S H，Qin Y，et al. Improving estimates of fractional vegetation cover based on UAV in alpine grassland on the Qinghai-Tibetan Plateau［J］. International Journal of Remote Sensing，2016，37(8)：1922-1936.
［9］Walter V. Object-based classification of remote sensing data for change detection［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2004，58(3/4)：225-238.
［10］易超人，邓燕妮. 多通道卷积神经网络图像识别方法［J］. 河南科技大学学报(自然科学版)，2017，38(3)：41-44.
［11］李云飞，符冉迪，金炜，等. 多通道卷积的图像超分辨率方法［J］. 中国图象图形学报，2017，22(12)：1690-1700.
［12］He K M，Zhang X Y，Ren S Q，et al. Spatial pyramid pooling in deep convolutional networks for visual recognition［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2015，37(9)：1904-1916.
［13］Sirinukunwattana K，Raza S E A，Tsang Y W，et al. Locality sensitive deep learning for detection and classification of nuclei in routine colon cancer histology images［J］. IEEE Transactions on Medical Imaging，2016，35(5)：1196-1206.
［14］段萌，王功鹏，牛常勇. 基于卷积神经网络的小样本图像识别方法［J］. 计算机工程与设计，2018，39(1)：224-229.
［15］韩星烁，林伟. 深度卷积神经网络在图像识别算法中的研究与实现［J］. 微型机与应用，2017，36(21)：54-56.
［16］Helmy A K，EL-Taweel G S. Regular gridding and segmentation for microarray images［J］. Computers & Electrical Engineering，2013，39(7)：2173-2182.
［17］Zefler M D，Fergus R. Visualizing and understanding convolutional networks［C］//Fleet D，Pajdla T，Schiele B，et al. Proceeding of Computer Vision—ECCV 2004. Zurich：Springs，2014：818-833.
［18］Zhou X，Sun Z P，Liu S H，et al. A method for extracting the leaf litter distribution area in forest using chip feature［J］. International Journal of Remote Sensing，2018，39(15/16)：5310-5329.
［19］张鲜花，安沙舟，王显瑞，等. 白喉乌头种群空间分布格局初步研究［J］. 草地学报，2012，20(3)：428-433.
［20］黄慧萍，吴炳方，李苗苗，等. 高分辨率影像城市绿地快速提取技术与应用［J］. 遥感学报，2004，8(1)：68-74.
［21］Simonyon K，Zisserman A. Very deep convolutional networks for large-scale image recognition［J］. Computer Science，2014：1-14.
［22］Krizhevsky A，Sutskever I，Hinton G E. ImageNet classification with deep convolutional neural networks［J］. Communications of the ACM，2017，60(6)：84-90.
［23］He K M，Zhang X Y，Ren S Q，et al. Deep residual learning for image recognition［C］//IEEE. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2016：770-778.
［24］王景中，杨源，何云华. 基于多分类和ResNet的不良图片识别框架［J］. 计算机系统应用，2018，27(9)：100-106.
［25］陈小娥，杨薇薇. 基于深度学习的车标识别算法的研究与实现［J］. 长春工程学院学报(自然科学版)，2017，18(2)：117-120.
［26］Gundersen H J G，Jensen E B. The efficiency of systematic sampling in stereology and its prediction［J］. Journal of Microscopy，1987，147(3)：229-263.

相似文献/References:

[1]梁万杰,曹宏鑫.基于卷积神经网络的水稻虫害识别[J].江苏农业科学,2017,45(20):241.
　Liang Wanjie,et al.Identification of rice insect pests based on CNN model[J].Jiangsu Agricultural Sciences,2017,45(12):241.
[2]赵建敏,李艳,李琦,等.基于卷积神经网络的马铃薯叶片病害识别系统[J].江苏农业科学,2018,46(24):251.
　Zhao Jianmin,et al.Potato leaf disease identification system based on convolutional neural network[J].Jiangsu Agricultural Sciences,2018,46(12):251.
[3]魏青迪,范昊,张承明.基于ECLDeeplab模型提取华北地区耕地的方法[J].江苏农业科学,2020,48(04):209.
　Wei Qingdi,et al.A method for extracting cultivated land in North China based on ECLDeeplab model[J].Jiangsu Agricultural Sciences,2020,48(12):209.
[4]陈峰,谷俊涛,李玉磊,等.基于机器视觉和卷积神经网络的东北寒地玉米害虫识别方法[J].江苏农业科学,2020,48(18):237.
　Chen Feng,et al.Recognition method of corn pests in northeast cold region based on machine vision and convolutional neural network[J].Jiangsu Agricultural Sciences,2020,48(12):237.
[5]陈旭君,王承祥,孙福,等.基于改进Faster R-CNN的田间植株幼苗检测方法[J].江苏农业科学,2021,49(4):159.
　Chen Xujun,et al.Detection method for plant seedlings in fields based on improved Faster R-CNN[J].Jiangsu Agricultural Sciences,2021,49(12):159.
[6]黎振,陆玲,熊方康.基于k-means分割和迁移学习的番茄病理识别[J].江苏农业科学,2021,49(12):156.
　Li Zhen,et al.Tomato pathological recognition based on k-means segmentation and transfer learning[J].Jiangsu Agricultural Sciences,2021,49(12):156.
[7]李萍,邵彧,齐国红,等.基于跨深度学习模型的作物病害检测方法[J].江苏农业科学,2022,50(8):193.
　Li Ping,et al.Crop disease detection method based on cross deep learning model[J].Jiangsu Agricultural Sciences,2022,50(12):193.
[8]李祥宇,任艳娜,马新明,等.面向小麦生育进程监测的卷积神经网络精简化研究[J].江苏农业科学,2022,50(8):199.
　Li Xiangyu,et al.Study on simplified convolutional neural network for monitoring wheat growth process[J].Jiangsu Agricultural Sciences,2022,50(12):199.
[9]蒋清健,姚勇,付志军,等.基于改进卷积神经网络算法的番茄叶片病害识别[J].江苏农业科学,2022,50(20):29.
　Jiang Qingjian,et al.Tomato leaf disease recognition based on improved convolutional neural network algorithm[J].Jiangsu Agricultural Sciences,2022,50(12):29.
[10]何前,郭峰林,方皓正,等.基于改进LeNet-5模型的玉米病害识别[J].江苏农业科学,2022,50(20):35.
　He Qian,et al.Study on maize disease recognition based on improved LeNet-5 model[J].Jiangsu Agricultural Sciences,2022,50(12):35.

备注/Memo

备注/Memo:
收稿日期：2020-11-06
基金项目：新疆维吾尔自治区高校科研计划(编号：XJEDU2019I010)；2018年新疆治蝗灭鼠指挥办公室委托项目。
作者简介：范宏(1994—)，男，安徽阜阳人，硕士研究生，主要研究方向为遥感与草原灾害防治。E-mail：1025288556@qq.com。
通信作者：郑江华，博士，教授，博士生导师，主要研究方向为遥感与地理信息系统应用研究。E-mail：zheng_jianghua@126.com。
更新日期/Last Update: 2021-06-20