0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

不同種植設(shè)施背景蔬菜作物無人機高光譜精細分類2.0

萊森光學 ? 來源:萊森光學 ? 作者:萊森光學 ? 2024-03-21 11:19 ? 次閱讀

4、結(jié)果分析

4.3 不同分類方法比較與分析

4.3.1基于SVM方法的分類結(jié)果比較

在不同SVM分類方法中,由于其所采用的分類模型和輸入特征差異影響,分類結(jié)果也存在較大差異。相較于SVM-Linear方法,SVM-RBF模型采用RBF核函數(shù)將原始特征光譜空間投影到更加高維空間,以解決線性不可分問題,理論上應(yīng)該可以得到更好的分類結(jié)果。然而在本實驗中,SVM-RBF模型并沒有體現(xiàn)出更加強大的優(yōu)勢,反而在西瓜、水泥路面、裸土這些地物分類中表現(xiàn)出更差的分類結(jié)果。這有可能與訓練樣本的數(shù)量和可分性密切相關(guān),這些地物的樣本數(shù)量偏少,樣本空間即使投影到高維空間,也難以被區(qū)分開來。高光譜不同波段之間的強相關(guān)性以及信息冗余“Hughes現(xiàn)象”,主成分變換方法可以對原始光譜數(shù)據(jù)進行降維,通過提取部分主成分分量進行地物分類有可能在一定程度上提高分類模型的魯棒性。提取前k個主分量輸入到基于RBF核變換的SVM分類模型中,得到的分類結(jié)果精度與主成分分量個數(shù)之間的關(guān)系如圖5所示。

wKgaomX7pySAdPgzAAl7CNAMzU0973.png

圖5 基于不同方法的作物分類結(jié)果

可以發(fā)現(xiàn),當主分量數(shù)量過少,會影響到分類精度,而隨著主分量數(shù)量的增加,分類精度會有所提升直到穩(wěn)定狀態(tài),此時如果再增加主分量數(shù)量,分類精度反而會下降。

wKgZomX7pyWADOJyAAFFCJvvO2U183.png

圖6 不同數(shù)量的主成分分類精度變化

從圖6可以看出,取前15個主成分分量能夠達到較好的分類結(jié)果,此15個主成分占原圖像信息含量為99.92%,所有地物的平均分類精度為83.15%,僅裸土的分類精度較低。如果在此基礎(chǔ)上再加入灰度共生矩陣的紋理特征,即SVM-RBF-PCAGLCM模型。一般來說,將高空間分辨率圖像的空間紋理特征輸入到分類器中有助于提高圖像分類精度。但對于本研究而言,它并沒有獲得理想效果,這是因為本研究區(qū)地表覆蓋類型十分復雜、作物的生長階段也不一致,多數(shù)地物并沒有體現(xiàn)出有規(guī)律的空間紋理特征所致。

表2 測試樣本的分類精度

wKgaomX7pyWAZVsAAAFF1wPCuPs927.png

但是從表2也可以看出,對于大面積分布、有一定空間紋理規(guī)律的地物,SVM-RBF-PCA-GLCM模型能夠得到較好的效果,如絲瓜、水稻、鐵皮廠房、南瓜、黃瓜。相較于本文其他SVM方法,采用空間后處理技術(shù)的SVM-ERW方法考慮了相鄰像素之間的空間相關(guān)性以及訓練樣本和測試樣本之間的連通性,在消除“椒鹽”噪聲方面表現(xiàn)良好,同時在整體精度上展示出較好的性能,但是該方法容易將作物間的其他地物類型劃分為相同作物,比如其中的水泥路面、裸土和其他,多被錯誤劃分成鄰近作物類型。

4.3.2基于深度學習方法的分類結(jié)果比較

針對高光譜遙感圖像高維非線性問題,深度學習方法具有較強的自主學習能力的優(yōu)勢,并且能夠解決復雜的多維非線性問題,可以從原始圖像中提取各層次特征,從而在高光譜圖像分類中表現(xiàn)出更強的魯棒性。

從分類結(jié)果上看出,3DCNN模型與Attention-CNN模型由于融合了圖像光譜—空間信息,極大地提升了高光譜圖像分類精度,同時分類結(jié)果也剔除了大部分椒噪聲;基于深度學習方法的分類結(jié)果總體分類精度整體上比SVM方法提升了12.7%。3D-CNN模型基于整個高光譜立方體數(shù)據(jù)集,有效地提取了光譜—空間特征,并且不依賴于數(shù)據(jù)預(yù)處理方式或后期處理,能夠取得較好的效果,所有地物類型的分類精度均有很大的提升。引入注意力機制的AttentionCNN模型,可以讓模型忽略無關(guān)信息而更多地關(guān)注圖像中的高階光譜特征,從而提升圖像分類效果。從分類結(jié)果上來看,Attention-CNN模型與3D-CNN模型在總體分類精度OA、Kappa系數(shù)上并沒有體現(xiàn)出太多的差異,但是它的平均分類精度卻提升了3.7%,對于西瓜這類小樣本數(shù)量地物而言,其分類精度遠超過其他方法。

4.4 不同覆蓋背景下蔬菜作物的分類結(jié)果

不同覆蓋背景會與作物產(chǎn)生光譜混合現(xiàn)象,特別是作物處于不同生長發(fā)育階段、葉面積覆蓋較小時,作物混合光譜效應(yīng)越明顯,混合光譜差異越大,從而影響作物的精細分類結(jié)果。水稻作物由于沒有覆蓋背景影響且葉面積覆蓋較大,其光譜特征明顯、作物內(nèi)部同質(zhì)性高,因此在所有分類方法中水稻作物能夠很好地與蔬菜其他作物區(qū)分開來。辣椒包含地膜、大棚和防蟲網(wǎng)3種覆蓋背景,盡管總體上深度學習方法獲得了較好的分類結(jié)果,但是在不同覆蓋背景上的分類效果還是存在一定的差異。在3D-CNN模型的分類結(jié)果中,均會出現(xiàn)部分區(qū)域由于混合光譜影響而錯分為其他類型的現(xiàn)象,特別是在小尺度地塊分類結(jié)果中,3種覆蓋類型的部分地塊均出現(xiàn)了極端錯誤分類情形。例如第二排小尺度地塊中的左起第12塊大棚覆蓋辣椒、第23塊防蟲網(wǎng)覆蓋辣椒以及第三排第5、6塊地膜覆蓋辣椒均出現(xiàn)了極端錯誤分類情況;而在Attention-CNN模型辣椒分類結(jié)果中,僅第二排第12塊大棚覆蓋辣椒出現(xiàn)了極端錯誤現(xiàn)象,其他覆蓋背景的辣椒作物得到了較好的分類效果,但是大尺度地塊上地膜覆蓋辣椒除外。地膜覆蓋的絲瓜在3D-CNN模型中分類效果較好,但防防蟲網(wǎng)覆蓋的絲瓜欠佳;Attention-CNN模型的分類效果與之相反。在小尺度地塊上,地膜和大棚覆蓋的茄子在Attention-CNN模型中均得到了較好的分類效果。

產(chǎn)生上述現(xiàn)象的原因在于不同覆蓋背景對訓練集混合光譜的影響。在實驗區(qū)中,辣椒、茄子和絲瓜3種作物最為典型,均受了地膜、大棚及防蟲網(wǎng)覆蓋背景的影響。它們處在不同生長發(fā)育階段,其中辣椒處于初花期生長階段,葉片較為茂盛,植株長勢較好;茄子處于移栽期,葉片較小,植株整體偏小;絲瓜處于盛果期,葉片茂密,整體植株覆蓋面積大。這3種作物在不同覆蓋背景下的作物光譜如圖7所示。

wKgZomX7pyWAblBxAAGMD6DDD_s863.pngwKgaomX7pyaAdjmRAAFmZ-h_7Y8026.pngwKgZomX7pymAEVn7AAFveFgYWYo896.png

圖7不同覆蓋背景下蔬菜作物光譜

從圖7中可以看出,不同覆蓋背景下的作物光譜有顯著差異,這也給同種作物精細分類帶來較大挑戰(zhàn)。不同蔬菜作物受覆蓋物材質(zhì)、顏色以及作物生長物候等因素影響,其光譜曲線的變化會存在一定的不確定性。在將來的研究中,我們將圍繞不同地區(qū)常用地膜、大棚材質(zhì)、顏色開展更進一步的高光譜成像實驗,深入分析其光譜、空間特征變化機理,闡明蔬菜作物設(shè)施覆蓋對其光譜的影響性。

五、結(jié)論

本研究以湖南省農(nóng)業(yè)科學研究院高橋科研基地為研究區(qū),通過利用無人搭載高光譜傳感器獲取研究區(qū)的高光譜數(shù)據(jù),采用當前流行SVM機器學習方法和深度學習方法對研究區(qū)的蔬菜作物進行了精細分類,經(jīng)過對分類結(jié)果比較和精度評價分析,不同的方法均能得到較好的效果,可為復雜背景下田間蔬菜作物無人機高光譜精細分類提供一定的技術(shù)支持。通過本次研究,可以得到以下結(jié)論:

(1)無人機高光譜遙感數(shù)據(jù)兼具高空間分辨率和高光譜分辨率的特點,在受到地膜、防鳥網(wǎng)、大棚覆蓋等復雜背景影響情況下,仍可有效地實現(xiàn)蔬菜作物高精度精細分類,可對區(qū)域蔬菜作物管理現(xiàn)代化、自動化和精細化提供有力支撐。

(2)基于SVM的不同分類方法可以得到較好的分類效果,但難以克服分類中的椒鹽噪聲影響;由于高光譜數(shù)據(jù)的高維度、信息冗余、非線性等特點,直接將原始高光譜特征輸入SVM分類器以及核變換分類器,效果不甚理想,但是通過選擇主成分降維后可以有效地提升分類效果,但是效果有限;鑒于本研究不同蔬菜作物的種植背景較為復雜、作物生長階段差異較大,空間紋理結(jié)構(gòu)特征的輸入并沒有取得理想的分類精度提升效果。

(3)基于深度學習的方法(1D-CNN除外)可以有效實現(xiàn)對復雜背景下的蔬菜作物分類;三維卷積神經(jīng)網(wǎng)絡(luò)(3D-CNN)能夠有效地提取高光譜圖像中的光譜—空間特征,并從中挖掘深層次的高級語義信息,分類結(jié)果中能有效地消除椒鹽噪聲,在蔬菜作物精細分類中表現(xiàn)出強大的優(yōu)勢;基于注意力機制的卷積神經(jīng)網(wǎng)絡(luò)(Attention-CNN)通過關(guān)注圖像中的光譜—空間特征信息,在分類精度上表現(xiàn)得更加平衡,對于西瓜這類小樣本數(shù)量地物而言,其分類精度遠超過其他方法。

(4)蔬菜作物在大尺度地塊上空間紋理特征明顯,而在小地塊尺度上差異較大,宜采用不同深度學習方法對其進行精細分類。基于3D-CNN模型有效地融合了光譜—空間結(jié)構(gòu)特征,更加適合提取大地塊尺度上的蔬菜作物;Attention-CNN模型引入注意力機制,聚焦高階光譜特征和局部鄰域信息,更加適合小尺度地塊作物的精細分類。由于蔬菜作物種植的特殊性和實驗基地的局限性,本研究獲取的數(shù)據(jù)較為有限,后續(xù)將通過深入研究不同覆蓋背景對蔬菜作物光譜信號的透過規(guī)律和影響機制,收集多個區(qū)域的高光譜航飛數(shù)據(jù),進一步分析研究蔬菜復雜覆蓋背景下的蔬菜作物種植結(jié)構(gòu)信息高光譜遙感探測能力及精度。

推薦

便攜式高光譜成像系統(tǒng) iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫(yī)學醫(yī)療、精準農(nóng)業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品,主要優(yōu)勢具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價比特點采用了透射光柵內(nèi)推掃原理高光譜成像,系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng),高速USB3.0接口傳輸,全靶面高成像質(zhì)量光學設(shè)計,物鏡接口為標準C-Mount,可根據(jù)用戶需求更換物鏡。

wKgaomX7pymAAwnzAAG-q9GWvYo195.png

審核編輯 黃宇

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學習之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • SVM
    SVM
    +關(guān)注

    關(guān)注

    0

    文章

    154

    瀏覽量

    32377
  • 無人機
    +關(guān)注

    關(guān)注

    226

    文章

    10301

    瀏覽量

    179149
  • 高光譜
    +關(guān)注

    關(guān)注

    0

    文章

    326

    瀏覽量

    9906
收藏 人收藏

    評論

    相關(guān)推薦

    基于無人機光譜遙感的棉花生長參數(shù)和產(chǎn)量估算

    無人機平臺能夠快速獲取時空分辨率的遙感數(shù)據(jù),以山東省濱州市棉花為研究對象,利用安裝在無人機上的多光譜相機獲取遙感影像,分別提取各波段反射率,篩選植被指數(shù),構(gòu)建估計模型并進行驗證。為
    的頭像 發(fā)表于 08-21 14:29 ?388次閱讀
    基于<b class='flag-5'>無人機</b>多<b class='flag-5'>光譜</b>遙感的棉花生長參數(shù)和產(chǎn)量估算

    無人機機載光譜成像系統(tǒng)的應(yīng)用及優(yōu)勢

      隨著無人機技術(shù)的快速發(fā)展,基于無人機平臺的光譜成像系統(tǒng)在多個領(lǐng)域中得到了廣泛應(yīng)用。本文將介紹一款小型多旋翼無人機機載
    的頭像 發(fā)表于 08-15 15:03 ?515次閱讀
    <b class='flag-5'>無人機</b>機載<b class='flag-5'>高</b><b class='flag-5'>光譜</b>成像系統(tǒng)的應(yīng)用及優(yōu)勢

    基于無人機光譜的荒漠草原地表微斑塊分類研究

    草原荒漠化會嚴重破壞草原生態(tài)平衡,荒漠草原地物分類已成為草原監(jiān)測管理的關(guān)鍵問題。本文通過構(gòu)建無人機光譜遙感系統(tǒng),解決了原有草原調(diào)查方式上效率低與空間分辨率不足問題。
    的頭像 發(fā)表于 07-26 11:59 ?347次閱讀
    基于<b class='flag-5'>無人機</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b>的荒漠草原地表微斑塊<b class='flag-5'>分類</b>研究

    基于無人機遙感的作物長勢監(jiān)測研究進展

    產(chǎn)量和品質(zhì),降低了農(nóng)業(yè)生產(chǎn)成本和減少了資源浪費 一、引言 無人機農(nóng)業(yè)遙感技術(shù)是將無人機與遙感技術(shù)相結(jié)合,用于對農(nóng)田進行高精度、高分辨率的遙感監(jiān)測和數(shù)據(jù)采集的技術(shù)。其以無人機為平臺,搭載數(shù)碼相機、多
    的頭像 發(fā)表于 07-12 14:14 ?486次閱讀
    基于<b class='flag-5'>無人機</b>遙感的<b class='flag-5'>作物</b>長勢監(jiān)測研究進展

    基于無人機光譜遙感的荒漠化草原地物分類研究2.0

    草原退化調(diào)查監(jiān)測須獲取實測數(shù)據(jù),無人機搭載光譜成像儀進行低空遙感,是荒漠化草原地物分類的重要手段,可提供地物精細分類所需的遙感數(shù)據(jù),充分發(fā)
    的頭像 發(fā)表于 06-17 15:33 ?256次閱讀
    基于<b class='flag-5'>無人機</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b>遙感的荒漠化草原地物<b class='flag-5'>分類</b>研究<b class='flag-5'>2.0</b>

    基于無人機光譜遙感的荒漠化草原地物分類研究1.0

    本研究利用無人機光譜遙感技術(shù)采集荒漠化草原遙感數(shù)據(jù),運用人工智能圖像分類技術(shù),解決荒漠化草原地物分類與識別問題,具有自動化程度
    的頭像 發(fā)表于 06-12 11:48 ?315次閱讀
    基于<b class='flag-5'>無人機</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b>遙感的荒漠化草原地物<b class='flag-5'>分類</b>研究1.0

    第一集 知語科技無人機反制技術(shù)與應(yīng)用--無人機的定義與分類

    了解無人機反制技術(shù)與應(yīng)用,為您揭開這一神秘領(lǐng)域的面紗。 一、無人機技術(shù)概述 1 無人機的定義與分類 無人機,即
    發(fā)表于 03-12 10:42

    農(nóng)作物生長監(jiān)測中,無人機光譜影像如何識別病蟲害和缺素情況?

    受到環(huán)境和人為因素的限制,因此需要一種高效、精準的監(jiān)測手段來應(yīng)對這一挑戰(zhàn)。無人機技術(shù)的崛起為農(nóng)作物生長監(jiān)測帶來了全新的解決方案。結(jié)合光譜影像技術(shù),
    的頭像 發(fā)表于 02-26 15:54 ?867次閱讀
    農(nóng)<b class='flag-5'>作物</b>生長監(jiān)測中,<b class='flag-5'>無人機</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b>影像如何識別病蟲害和缺素情況?

    比較基于無人機光譜影像和傳統(tǒng)方法的土壤類型分類精度

    遙感技術(shù)的應(yīng)用為土壤分類提供了新的可能性。光譜影像技術(shù)是無人機遙感中的重要組成部分,其能夠提供大量的土地表面光譜信息,為土壤類型
    的頭像 發(fā)表于 02-19 16:55 ?412次閱讀
    比較基于<b class='flag-5'>無人機</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b>影像和傳統(tǒng)方法的土壤類型<b class='flag-5'>分類</b>精度

    無人機光譜影像在地質(zhì)勘探中的應(yīng)用

    地質(zhì)勘探是尋找和評估地下資源(如礦產(chǎn)、水源和能源)的過程,對于能源、礦產(chǎn)和環(huán)境管理至關(guān)重要。傳統(tǒng)的地質(zhì)勘探方法往往昂貴、耗時且危險,但近年來,隨著技術(shù)的發(fā)展,無人機光譜影像技術(shù)的出現(xiàn)為地質(zhì)勘探帶來
    的頭像 發(fā)表于 01-31 14:10 ?510次閱讀
    <b class='flag-5'>無人機</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b>影像在地質(zhì)勘探中的應(yīng)用

    無人機光譜影像是否真的可以提升農(nóng)業(yè)生產(chǎn)效率?

    農(nóng)業(yè)是全球經(jīng)濟中的重要組成部分,而提高農(nóng)業(yè)生產(chǎn)效率一直是農(nóng)業(yè)領(lǐng)域的重要挑戰(zhàn)之一。隨著科技的不斷發(fā)展,無人機光譜影像技術(shù)逐漸引起了廣泛關(guān)注。這項技術(shù)利用無人機搭載的
    的頭像 發(fā)表于 01-30 11:53 ?422次閱讀
    <b class='flag-5'>無人機</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b>影像是否真的可以提升農(nóng)業(yè)生產(chǎn)效率?

    [萊森光學]使用無人機光譜成像系統(tǒng)進行地表監(jiān)測

    近年來,隨著遙感技術(shù)的迅速發(fā)展和無人機(Unmanned Aerial Vehicle,UAV)技術(shù)的普及,使用無人機搭載光譜成像系統(tǒng)進行地表監(jiān)測成為了一種新興且高效的方法。這種結(jié)合
    的頭像 發(fā)表于 01-17 13:51 ?386次閱讀
    [萊森光學]使用<b class='flag-5'>無人機</b><b class='flag-5'>高</b><b class='flag-5'>光譜</b>成像系統(tǒng)進行地表監(jiān)測

    針對無人機成像應(yīng)用的鏡頭設(shè)計

    無人機成像的另一個重要應(yīng)用是:植被的多光譜光譜成像。多光譜成像是在多個單獨的波長區(qū)域收集數(shù)據(jù),而
    的頭像 發(fā)表于 01-14 14:03 ?1171次閱讀
    針對<b class='flag-5'>無人機</b>成像應(yīng)用的鏡頭設(shè)計

    無人機光譜相機有什么用

    無人機光譜相機是一種搭載在無人機上,能夠同時捕捉多個波長光譜的高分辨率圖像的技術(shù)。這種相機具有許多應(yīng)用領(lǐng)域,包括農(nóng)業(yè)、環(huán)境監(jiān)測、城市規(guī)劃和地質(zhì)勘探等。在本文中,將詳細介紹
    的頭像 發(fā)表于 01-11 11:22 ?2366次閱讀

    無人機光譜遙感使作物表型檢測更加高效

    糧食短缺、人口增長和全球氣候變化推動了提高作物產(chǎn)量的研究。田間作物表型能為作物生長及其與環(huán)境的關(guān)系提供了重要信息。以無人機(UAV)為代表的高通量近地遙感表型平臺靈活、成本低、空間覆蓋
    的頭像 發(fā)表于 11-13 13:35 ?493次閱讀
    <b class='flag-5'>無人機</b>載<b class='flag-5'>高</b><b class='flag-5'>光譜</b>遙感使<b class='flag-5'>作物</b>表型檢測更加高效