楊蜀秦 王鵬飛 王 帥 唐云松 寧紀(jì)鋒 奚亞軍

(1.西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院， 陜西楊凌 712100； 2.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點(diǎn)實(shí)驗(yàn)室， 陜西楊凌 712100；3.陜西省農(nóng)業(yè)信息感知與智能服務(wù)重點(diǎn)實(shí)驗(yàn)室， 陜西楊凌 712100； 4.西北農(nóng)林科技大學(xué)信息工程學(xué)院， 陜西楊凌 712100；5.西北農(nóng)林科技大學(xué)農(nóng)學(xué)院， 陜西楊凌 712100)

0 引言

小麥作為世界三大主要糧食作物之一，是淀粉、蛋白質(zhì)、維生素、膳食纖維等植物化學(xué)物質(zhì)的重要來源[1]。受氣候、品種性狀或栽培管理不當(dāng)?shù)纫蛩赜绊?，在小麥生育中后期，容易發(fā)生倒伏現(xiàn)象。灌漿期的小麥植株受倒伏影響容易發(fā)生病蟲害，會(huì)降低小麥產(chǎn)量和品質(zhì)。成熟期倒伏小麥匍匐在地，將增大小麥?zhǔn)崭铍y度，導(dǎo)致收獲小麥的經(jīng)濟(jì)和時(shí)間成本增加[2]。因此，選育具有抗倒伏能力的小麥品種對(duì)于育種非常重要。另外，準(zhǔn)確鑒定小麥倒伏程度也是保險(xiǎn)公司勘定農(nóng)業(yè)損失并估算災(zāi)害理賠金額的重要依據(jù)。

小麥倒伏從形式上可分為根倒伏和莖倒伏，根倒伏源自小麥發(fā)育不良造成的扎根淺，一經(jīng)風(fēng)吹雨打就會(huì)匍匐于地或土沉根歪；莖倒伏主要是小麥莖稈中糖分積累變少和莖壁變薄，減弱了抗倒能力，莖基部節(jié)間(多數(shù)是基部三節(jié))彎曲傾斜或折斷后平鋪于地[3]。一些學(xué)者利用正常小麥和倒伏小麥在顏色和空間結(jié)構(gòu)上的不同，基于衛(wèi)星和無人機(jī)兩種遙感技術(shù)，利用經(jīng)典機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法開展小麥倒伏識(shí)別研究。高空衛(wèi)星遙感探測(cè)面積大、周期短，適用于大尺度范圍下小麥農(nóng)田的農(nóng)情信息獲取[4-5]?；赗adarsat-2全極化影像數(shù)據(jù)，楊浩等[6]提出了一種利用雷達(dá)極化指數(shù)檢測(cè)小麥倒伏的方法，實(shí)現(xiàn)了對(duì)小麥抽穗灌漿期的倒伏檢測(cè)；胡宗杰等[7]通過人工模擬小麥灌漿期的倒伏現(xiàn)象，采用光譜儀測(cè)量倒伏小麥的光譜反射率，研究表明小麥在灌漿期倒伏后，其光譜變化明顯，且與倒伏角度有關(guān)，為高分辨率遙感影像檢測(cè)小麥倒伏提供了理論基礎(chǔ)。無人機(jī)遙感技術(shù)在獲取田塊級(jí)小麥生長(zhǎng)信息方面具有機(jī)動(dòng)靈活、時(shí)效性強(qiáng)和分辨率高等特點(diǎn)[8-12]。LIU等[13]基于無人機(jī)獲得的圖像中的光譜和紋理特征來確定小麥倒伏區(qū)域；CHAUHAN等[14]對(duì)無人機(jī)多光譜影像，利用多分辨率分割和最近鄰分類算法根據(jù)倒伏的程度將小麥倒伏區(qū)域劃分為正常、中度、重度和極重度；李廣等[15]提取小麥無人機(jī)可見光影像中倒伏區(qū)域的兩個(gè)單特征，構(gòu)建倒伏信息的綜合特征，結(jié)合k均值算法，提出了一種多時(shí)相倒伏面積提取方法；趙靜等[16]采用無人機(jī)遙感平臺(tái)獲取小麥倒伏后的冠層可見光圖像，利用最大似然法和隨機(jī)森林法對(duì)數(shù)字表面模型和可見光融合圖像以及數(shù)字表面模型和過綠特征指數(shù)融合圖像進(jìn)行監(jiān)督分類提取小麥倒伏面積。CAO等[17]提出了一種基于分水嶺和自適應(yīng)閾值分割的小麥倒伏提取方法，將兩種算法結(jié)合減少噪聲對(duì)提取小麥倒伏信息的影響。以上研究主要對(duì)于單個(gè)生長(zhǎng)階段使用經(jīng)典的機(jī)器學(xué)習(xí)方法識(shí)別小麥倒伏，其特征選擇依賴于傳統(tǒng)方法，模型泛化性能較弱，難以應(yīng)用于多生長(zhǎng)階段的小麥倒伏監(jiān)測(cè)。ZHANG等[18]提出一種結(jié)合遷移學(xué)習(xí)和DeepLab v3+的方法提取試驗(yàn)條件下通過人工干預(yù)得到不同生長(zhǎng)階段的小麥倒伏信息，然而其在多生育期大田小麥自然倒伏的監(jiān)測(cè)還需進(jìn)一步驗(yàn)證。為提升多生育期農(nóng)田環(huán)境下無人機(jī)可見光遙感影像對(duì)倒伏小麥的解譯能力，本文采用多頭自注意力模塊優(yōu)化DeepLab v3+的骨干網(wǎng)絡(luò)，提出一種基于多頭自注意力的深度語義分割模型獲取小麥倒伏信息。并與SegNet[19]、PSPNet[20]和DeepLab v3+[21]模型以及添加不同注意力模塊的DeepLab v3+模型進(jìn)行比較，以期為利用無人機(jī)遙感技術(shù)鑒定小麥倒伏災(zāi)害和良種選育等提供參考。

1 研究區(qū)域與數(shù)據(jù)

1.1 研究區(qū)域概況

研究區(qū)域位于陜西省關(guān)中平原西部楊凌農(nóng)業(yè)高新技術(shù)產(chǎn)業(yè)示范區(qū)曹新莊試驗(yàn)農(nóng)場(chǎng)(圖1)，介于東經(jīng)107°59′～108°08′，北緯34°14′～34°20′之間，平均海拔530 m，屬東亞暖溫帶半濕潤(rùn)半干旱氣候區(qū)，春暖多風(fēng)、夏熱多雨、秋涼陰雨、冬寒干燥的大陸性季風(fēng)氣候特征明顯。年均氣溫12.9℃、無霜期211 d、日照時(shí)數(shù)2 163.8 h、總太陽輻射量114.86 kcal/cm2和降水量635.1 mm，具備小麥適宜生長(zhǎng)的自然條件。

圖1 研究區(qū)位置Fig.1 Location of study area

1.2 數(shù)據(jù)采集及標(biāo)注

2021年5月中旬楊凌出現(xiàn)大風(fēng)、暴雨等惡劣天氣，導(dǎo)致試驗(yàn)田小麥發(fā)生嚴(yán)重倒伏，實(shí)地調(diào)查部分小麥倒伏情況如圖2所示。本研究于2020年5月18日和6月2日分別采集試驗(yàn)田小麥灌漿期和成熟期的無人機(jī)可見光遙感影像。無人機(jī)型號(hào)為大疆精靈4 RTK，最大飛行時(shí)間約30 min，搭載了DJI FC6310R型可見光相機(jī)，成像分辨率為4 864像素×3 648像素。數(shù)據(jù)獲取于當(dāng)日10:00—12:00。5月18日氣溫14～28℃，多云，東風(fēng)2級(jí)；6月2日氣溫18～33℃，多云，東南風(fēng)2級(jí)。無人機(jī)飛行高度25 m，飛行速度1.5 m/s，航向重疊率85%，旁向重疊率75%，共規(guī)劃14條航線，獲得原始圖像506幅。采用大疆智圖軟件拼接無人機(jī)遙感原始圖像，獲得試驗(yàn)田數(shù)字正射影像。

圖2 小麥倒伏情況示例Fig.2 Examples of wheat lodging

試驗(yàn)區(qū)域包含17個(gè)育種小區(qū)，如圖3所示，其中小面積育種小區(qū)13個(gè)(1～12號(hào)、17號(hào))，大面積育種小區(qū)4個(gè)(13～16號(hào))，其余未框選區(qū)域?yàn)楦綦x帶。遙感影像中小麥在灌漿期和成熟期發(fā)生倒伏時(shí)冠層的顏色、紋理等特征均存在明顯差異，灌漿期的倒伏小麥偏淺綠且倒伏角度較小，而成熟期的倒伏小麥偏淺黃色且倒伏角度較大基本貼近地面。利用Labelme軟件進(jìn)行小麥倒伏標(biāo)注，目視解譯結(jié)合人工實(shí)地調(diào)查對(duì)倒伏區(qū)域的標(biāo)注結(jié)果如圖4所示。

圖3 試驗(yàn)田育種小區(qū)布局圖Fig.3 Layout of experimental field breeding plot

圖4 小麥2個(gè)生長(zhǎng)階段的可見光圖像和相應(yīng)的標(biāo)簽圖像Fig.4 RGB images of two growth stages of wheat and corresponding lodging area labels

1.3 數(shù)據(jù)集構(gòu)建及分析

以育種小區(qū)為基本單元對(duì)拼接標(biāo)注后試驗(yàn)田正射影像進(jìn)行裁剪。統(tǒng)計(jì)試驗(yàn)區(qū)域各育種小區(qū)灌漿期和成熟期倒伏小麥面積占比如圖5所示?？梢钥闯?，試驗(yàn)區(qū)域小麥倒伏情況存在著較大差異。灌漿期的11個(gè)育種小區(qū)中，倒伏小麥面積占比達(dá)到40%以上。而成熟期時(shí)，這些育種小區(qū)倒伏進(jìn)一步加重，如17號(hào)小區(qū)的倒伏占比從30%增至45%。由圖4可知，小麥倒伏區(qū)域分布不規(guī)律，小部分小麥倒伏區(qū)域分布十分零散，大部分小麥倒伏區(qū)域分布集中表現(xiàn)為成片倒伏。在構(gòu)建數(shù)據(jù)集時(shí)應(yīng)充分考慮以上問題，增加訓(xùn)練集數(shù)據(jù)多樣性，以得到泛化性能最優(yōu)的模型。

圖5 小麥倒伏情況統(tǒng)計(jì)分析Fig.5 Statistical analysis of wheat lodging

按照3∶1比例將育種小區(qū)劃分為訓(xùn)練驗(yàn)證集和測(cè)試集，6號(hào)、12號(hào)、13號(hào)和17號(hào)4個(gè)育種小區(qū)為測(cè)試集，而其余13個(gè)育種小區(qū)作為訓(xùn)練驗(yàn)證集。其中，訓(xùn)練集用于訓(xùn)練調(diào)整網(wǎng)絡(luò)模型權(quán)重，驗(yàn)證集用于評(píng)估最優(yōu)的模型超參，測(cè)試集用于評(píng)估最終模型的性能[22]?？紤]到深度學(xué)習(xí)網(wǎng)絡(luò)性能對(duì)于數(shù)據(jù)集容量的依賴性，本文通過擴(kuò)充訓(xùn)練集，獲得大量圖像數(shù)據(jù)，增強(qiáng)網(wǎng)絡(luò)的泛化性能。另外，為加快訓(xùn)練速度，將訓(xùn)練集和驗(yàn)證集樣本設(shè)置為256像素×256像素。具體過程為：從訓(xùn)練集和驗(yàn)證集中隨機(jī)裁取若干256像素×256像素的圖像，并對(duì)裁剪后的訓(xùn)練集圖像做加噪、鏡像、旋轉(zhuǎn)和模糊等圖像增強(qiáng)處理，最后獲得的訓(xùn)練集圖像數(shù)量為9 032幅，驗(yàn)證集圖像數(shù)量為1 004幅。

2 研究方法

2.1 DeepLab v3+深度語義分割模型

語義分割結(jié)合了圖像分類、目標(biāo)檢測(cè)和圖像分割。首先將圖像劃分為具有一定語義含義的區(qū)域塊，并識(shí)別出每個(gè)區(qū)域塊的語義類別，實(shí)現(xiàn)從底層到高層的語義推理過程，最終得到一幅具有逐像素語義標(biāo)注的分割圖像。與傳統(tǒng)的語義分割方法相比，基于卷積神經(jīng)網(wǎng)絡(luò)的語義分割方法自動(dòng)學(xué)習(xí)圖像的特征，實(shí)現(xiàn)端到端的分類學(xué)習(xí)，能夠極大提升語義分割的精確度。

DeepLab v3+網(wǎng)絡(luò)是通過對(duì)DeepLab v3[23]增加了編-解碼模塊和Xception主干網(wǎng)絡(luò)改進(jìn)而來。其中編解碼模塊主要用于恢復(fù)原始像素信息，更好地保留分割細(xì)節(jié)和同時(shí)編碼豐富的上下文信息；而Xception主干網(wǎng)絡(luò)采用深度卷積進(jìn)一步提高算法的精度和速度。在Xception結(jié)構(gòu)中，先對(duì)輸入進(jìn)行1×1的卷積，之后將通道分組，分別使用不同的3×3卷積提取特征，最后將各組結(jié)果串聯(lián)在一起作為輸出。

Deeplab v3+采用空洞卷積，使其在級(jí)聯(lián)模塊(采用50層或101層的ResNet網(wǎng)絡(luò))和空洞空間金字塔池化(Atrous spatial pyramid pooling, ASPP)的框架下，能夠獲得更多尺度的信息。DeepLab v3+解碼部分借鑒了FCN的跳步連接方式，用中間一層低維特征圖擴(kuò)充輸出圖信息，以便更好地恢復(fù)邊界細(xì)節(jié)。在提高網(wǎng)絡(luò)尺寸適應(yīng)性方面，DeepLab v3+為帶孔空間金字塔池化模塊增加了不同尺度范圍內(nèi)語義信息的區(qū)分和提取，利用多種比例和有效接受野的不同分辨率特征來挖掘多尺度的上下文內(nèi)容信息，以實(shí)現(xiàn)對(duì)不同尺寸目標(biāo)的識(shí)別。

2.2 基于多頭自注意力的DeepLab v3+小麥倒伏識(shí)別模型

2.2.1DeepLab v3+識(shí)別小麥倒伏的局限性

在DeepLab v3+模型中，雖然豐富的語義信息被編碼，但骨干網(wǎng)絡(luò)的多次下采樣，使得倒伏小麥的邊緣信息丟失，從而導(dǎo)致邊緣模糊；使用空洞卷積可以緩解由于下采樣過多使得倒伏小麥邊緣信息丟失的問題，但空洞卷積會(huì)造成局部信息丟失以及遠(yuǎn)距離獲取的信息關(guān)聯(lián)減弱。此外DeepLab v3+網(wǎng)絡(luò)中ASPP結(jié)構(gòu)使用不同擴(kuò)張率(6、12、18)來并行處理輸入特征以提取多尺度信息，但過大的擴(kuò)張率會(huì)影響圖像邊緣特征的提取以及局部特征之間的關(guān)聯(lián)，從而產(chǎn)生大尺度目標(biāo)語義分割空洞現(xiàn)象[24]，這將對(duì)農(nóng)田無人機(jī)遙感影像中的大面積小麥倒伏的檢測(cè)精度造成較大影響。

2.2.2多頭自注意力模型

Transformer[25]中的多頭自注意力(Multi-head self-attention, MHSA)模塊因其可以捕獲數(shù)據(jù)的全局依賴性，能夠表示數(shù)據(jù)之間更豐富的聯(lián)系，而受到廣泛關(guān)注。在MHSA模塊中對(duì)Q、K、V(V為值向量，Q為查詢向量、K為鍵向量)進(jìn)行自注意力變換，這個(gè)過程獨(dú)立重復(fù)h次(h為MHSA模塊中的頭數(shù))，最后將h次比例點(diǎn)積注意力的結(jié)果進(jìn)行拼接，再進(jìn)行一次線性變換得到MHSA模塊的最終輸出。其本質(zhì)就是多個(gè)獨(dú)立的注意力計(jì)算然后再集成，每一個(gè)注意力機(jī)制函數(shù)只負(fù)責(zé)最終輸出序列中一個(gè)子空間。

2.2.3改進(jìn)的DeepLab v3+模型

鑒于MHSA復(fù)雜度較高，本文在低分辨率的高層語義特征上增加MHSA。首先，將DeepLab v3+中ResNet[24]骨干網(wǎng)絡(luò)的C5層用多頭自注意力模塊代替，減輕骨干網(wǎng)絡(luò)運(yùn)算負(fù)擔(dān)。其次，在高層特征上使用全局自注意力建立小麥倒伏特征的全局依賴關(guān)系，有效克服空洞卷積造成的遠(yuǎn)距離獲取信息相關(guān)性弱和ASPP結(jié)構(gòu)中過大擴(kuò)張率對(duì)局部特征間關(guān)聯(lián)性的影響。圖6為提出的農(nóng)田無人機(jī)遙感影像小麥倒伏識(shí)別深度語義分割模型結(jié)構(gòu)。

圖6 改進(jìn)的DeepLab v3+ 小麥倒伏檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.6 Network structure diagram of improved DeepLab v3+ for wheat lodging detection

2.3 模型訓(xùn)練

2.3.1訓(xùn)練參數(shù)設(shè)置

運(yùn)行硬件環(huán)境為L(zhǎng)enovo SystemX 3650 M5 服務(wù)器，搭載NVIDIA TITAN V 顯卡。操作系統(tǒng)為Ubuntu 16.04，采用Tensorflow深度學(xué)習(xí)框架構(gòu)建網(wǎng)絡(luò)。為了驗(yàn)證本文提出改進(jìn)的DeepLab v3+網(wǎng)絡(luò)的有效性，將其與SegNet、PSPNet和DeepLab v3+等深度語義分割模型進(jìn)行比較。訓(xùn)練深度語義分割模型時(shí)，基于在公共數(shù)據(jù)集上得到的預(yù)訓(xùn)練模型，在小麥倒伏數(shù)據(jù)集上進(jìn)行遷移學(xué)習(xí)以訓(xùn)練小麥倒伏識(shí)別模型。最終，將訓(xùn)練好的模型在測(cè)試集上進(jìn)行測(cè)試，計(jì)算模型準(zhǔn)確度。所有模型均采用多項(xiàng)式衰減學(xué)習(xí)率調(diào)整策略，訓(xùn)練100個(gè)周期。其中PSPNet的初始學(xué)習(xí)率為0.000 1，批處理尺寸為32，矩為0.9，權(quán)值退化率為0.000 01；SegNet、DeepLab v3+以及改進(jìn)的DeepLab v3+初始學(xué)習(xí)率為0.01，批處理尺寸為32，矩為0.9，權(quán)值退化率為0.000 1。

2.3.2評(píng)價(jià)指標(biāo)

采用平均像素精度和均交并比作為分類結(jié)果評(píng)價(jià)指標(biāo)，定量分析模型的分類性能。設(shè)有k+1個(gè)類，令nij表示第i類被預(yù)測(cè)為第j類的像素?cái)?shù)量。即nii表示預(yù)測(cè)準(zhǔn)確的像素?cái)?shù)量，而nij和nji分別表示假正和假負(fù)預(yù)測(cè)的數(shù)量。

像素精度(Pixel accuracy, PA)為正確分類像素?cái)?shù)量與總像素?cái)?shù)量之比，表示正確分類像素占總像素的比值。

平均像素精度(Mean pixel accuracy, mPA)為首先計(jì)算標(biāo)簽中每一類目標(biāo)被正確分類的像素?cái)?shù)量與標(biāo)簽中該類像素?cái)?shù)量的比值，最后對(duì)所有類求平均值。

均交并比(Mean intersection over union, mIoU)為語義分割的標(biāo)準(zhǔn)度量。首先以標(biāo)簽中每一類目標(biāo)被正確分類的像素?cái)?shù)量除以標(biāo)簽和預(yù)測(cè)圖像中該類像素?cái)?shù)量并集，最后對(duì)所有類求平均值。均交并比表示每個(gè)類上預(yù)測(cè)值與真實(shí)值兩個(gè)集合的交集和并集之比。

為了指導(dǎo)小麥倒伏災(zāi)害鑒定評(píng)價(jià)，定義倒伏比例(Lodging ratio, LR)評(píng)估育種小區(qū)小麥倒伏程度，計(jì)算式為

式中M——育種小區(qū)圖像總像素?cái)?shù)量

N——倒伏小麥的像素?cái)?shù)量

3 試驗(yàn)結(jié)果與分析

3.1 試驗(yàn)結(jié)果

4種深度語義分割方法的試驗(yàn)結(jié)果如表1所示。圖7以13號(hào)育種小區(qū)為例，顯示了4種深度語義分割方法在多生長(zhǎng)階段小麥倒伏測(cè)試集上的檢測(cè)效果。由圖表可見，DeepLab v3+相較于SegNet和PSPNet表現(xiàn)出更好的性能，而改進(jìn)的DeepLab v3+模型則對(duì)應(yīng)著最高的mPA和mIoU，其檢測(cè)效果最優(yōu)。

表1 無人機(jī)遙感影像小麥倒伏檢測(cè)結(jié)果Tab.1 Comparison of wheat lodging detection results from UAV remote sensing images

圖7 4種深度語義分割模型對(duì)13號(hào)育種小區(qū)小麥倒伏的檢測(cè)效果比較Fig.7 Comparison of detection effects of four deep semantic segmentation models on wheat lodging in No.13 breeding plot

3.2 試驗(yàn)結(jié)果分析

3.2.1不同深度語義分割模型

由表1和圖7可知，SegNet灌漿期和成熟期的mPA僅有67.64%和78.31%，并且存在嚴(yán)重的誤檢問題，不適用于小麥倒伏檢測(cè)任務(wù)。PSPNet在灌漿期和成熟期的mPA分別為85.55%和87.04%，精度也不高，且結(jié)果存在嚴(yán)重的空洞，這一問題在小麥灌漿期尤為突出。相比之下DeepLab v3+檢測(cè)結(jié)果較為精細(xì)，對(duì)于小麥倒伏邊緣及零散倒伏區(qū)域等細(xì)節(jié)方面表現(xiàn)出更好的性能，mPA在灌漿期和成熟期分別比PSPNet高5.72、5.58個(gè)百分點(diǎn)，但空洞問題也不容忽視。而改進(jìn)的DeepLab v3+網(wǎng)絡(luò)表現(xiàn)出更高的檢測(cè)精度和更好的檢測(cè)效果，在兩個(gè)生長(zhǎng)階段mPA和mIoU指標(biāo)均為最高，灌漿期mPA和mIoU分別為93.09%和87.54%，成熟期mPA和mIoU分別為93.36%和87.49%，誤識(shí)別區(qū)域以及空洞問題較少。表明提出的基于多頭自注意力的DeepLab v3+對(duì)小麥倒伏有更好的特征提取能力，并具有較好的泛化性能，在灌漿期和成熟期效果均最佳。

3.2.2不同注意力模塊的DeepLab v3+模型

為了驗(yàn)證提出的基于多頭自注意力DeepLab v3+捕獲小麥倒伏特征的能力，表2為在DeepLab v3+模型中添加不同注意力機(jī)制的試驗(yàn)結(jié)果比較。其中，CBAM[26]是一種用于前饋卷積神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)單而有效的注意力模塊，SimAM[27]是一種無需額外參數(shù)為特征圖推導(dǎo)出3D注意力權(quán)值的簡(jiǎn)單有效的注意力模塊。可以看出，在DeepLab v3+模型中添加各種注意力機(jī)制后，mPA和mIoU均有提升，但使用多頭自注意力模塊相較于原DeepLab v3+模型灌漿期和成熟期的mPA分別提升了1.82、0.74個(gè)百分點(diǎn)，mIoU分別提升了2.49、0.95個(gè)百分點(diǎn)，提升效果最為明顯。

表2 不同注意力機(jī)制的小麥倒伏檢測(cè)結(jié)果Tab.2 Comparison of wheat lodging detection results with different attention mechanisms %

3.2.3灌漿期和成熟期小麥倒伏識(shí)別結(jié)果分析

由表1可知，成熟期小麥倒伏識(shí)別的mPA均優(yōu)于灌漿期小麥倒伏識(shí)別的mPA，本文提出的方法在成熟期對(duì)小麥倒伏的識(shí)別精度達(dá)到93.36%，比灌漿期高了0.27個(gè)百分點(diǎn)。由圖7可見，不同生長(zhǎng)階段倒伏小麥與正常小麥的紋理特征對(duì)比明顯，而就顏色特征而言，灌漿期倒伏小麥中心部分呈淺綠色，與正常小麥對(duì)比明顯，但邊緣部分顏色與正常小麥接近，成熟期倒伏小麥中心部分呈黃綠色，邊緣部分呈白黃色，與正常小麥均對(duì)比明顯。因此，算法更容易提取成熟期倒伏小麥零散區(qū)域以及邊緣區(qū)域的特征，從而達(dá)到比灌漿期更好的識(shí)別精度?？傮w上，本文方法在灌漿期和成熟期預(yù)測(cè)結(jié)果較為接近，顯示了其良好的泛化性能。

表3為測(cè)試集4個(gè)育種小區(qū)倒伏比例的預(yù)測(cè)結(jié)果。可以看出，在灌漿期小麥倒伏預(yù)測(cè)結(jié)果大都比真實(shí)結(jié)果偏低，識(shí)別的平均誤差為1.94%，在成熟期小麥倒伏預(yù)測(cè)結(jié)果大都比真實(shí)結(jié)果偏高，識(shí)別的平均誤差為2.27%， 總體預(yù)測(cè)誤差均較小，驗(yàn)證了本文方法預(yù)測(cè)小麥倒伏比例的可靠性。

表3 測(cè)試集育種小區(qū)倒伏識(shí)別結(jié)果Tab.3 Analysis of lodging identification results of breeding plots in test set %

4 結(jié)論

(1)基于多頭自注意力的DeepLab v3+模型的識(shí)別精度優(yōu)于SegNet、PSPNet和DeepLab v3+模型，與基于CBAM和SimAM注意力的DeepLab v3+相比，提出方法也取得更好的識(shí)別結(jié)果，驗(yàn)證了其在解譯農(nóng)田小麥倒伏遙感影像方面的有效性。

(2)改進(jìn)的DeepLab v3+模型在灌漿期和成熟期兩個(gè)生長(zhǎng)階段的倒伏小麥識(shí)別精度為93.09%和93.36%，表明提出的方法能夠從不同生育期的小麥遙感影像中精準(zhǔn)地識(shí)別倒伏區(qū)域。