基于深度學習的大棚及地膜農(nóng)田無人機航拍監(jiān)測方法

孫 鈺 韓京冶 陳志泊 史明昌 付紅萍 楊 猛

(1.北京林業(yè)大學信息學院， 北京 100083； 2.北京林業(yè)大學水土保持學院， 北京 100083)

0 引言

近年來，隨著農(nóng)業(yè)現(xiàn)代化的快速發(fā)展，設(shè)施農(nóng)業(yè)技術(shù)逐漸成熟，我國設(shè)施農(nóng)業(yè)面積迅速擴大，已成為全球設(shè)施農(nóng)業(yè)大國。農(nóng)業(yè)大棚作為新興的農(nóng)業(yè)設(shè)施，具有價格低廉、抵御病蟲害、降低氣候環(huán)境的影響、提高單位面積產(chǎn)量等突出優(yōu)點[1-2]。同樣，地膜作為現(xiàn)代農(nóng)業(yè)重要的生產(chǎn)資料，其蓄水、保溫、保墑、保藥等作用顯著，利于作物早熟，提高產(chǎn)量和品質(zhì)[2]。2014年我國大棚和地膜覆蓋面積近20萬km2[3]，大棚和地膜農(nóng)田已經(jīng)成為重要的土地覆蓋類型(地類)。

傳統(tǒng)的大棚和地膜覆蓋面積信息獲取以人工實地測定為主，該方式需要耗費大量的人力、物力，且無法獲得準確地理分布情況。準確獲取大棚和地膜覆蓋面積對于農(nóng)作物監(jiān)測、農(nóng)業(yè)產(chǎn)值估算以及政府合理發(fā)放補貼具有重要的意義。

隨著遙感技術(shù)的發(fā)展，基于衛(wèi)星遙感影像的大棚和地膜農(nóng)田監(jiān)測方法成為研究熱點，AGUERA 等[4]提出一種利用紋理分析提高大棚像素分類精度的方法。黃振國等[5]針對山東壽光大棚菜地，提出了一種基于HJ-1影像的知識分類法，該方法綜合了遙感影像的光譜特征、空間結(jié)構(gòu)特征、地物分布規(guī)律以及來自專家的經(jīng)驗，其分類總體精度為92.01% 。王志盼等[6]基于Landsat影像提出一種基于增強型水體指數(shù)的大棚遙感檢測方法，分類總體精度在75%以上。沙先麗[7]提出一種決策樹模型，實現(xiàn)了地膜農(nóng)田信息的提取方法，分類總體精度達到90%以上。盡管方法眾多，但衛(wèi)星遙感影像價格昂貴、獲取周期時間長、容易受到自然環(huán)境(如云層)影響、分辨率較低，進而影響大棚和地膜農(nóng)田的識別精度，難以滿足小區(qū)域、精度要求高的農(nóng)業(yè)監(jiān)測需求。

無人機(Unmanned aerial vehicle，UAV)是利用無線電遙控設(shè)備和自備的程序控制裝置操縱的無人駕駛飛機[8]，具有機動性強、獲取影像分辨率高、時效性高、成本低的優(yōu)點，越來越多的學者將無人機用于資源調(diào)查與監(jiān)測領(lǐng)域[9-12]。這些基于無人機影像的監(jiān)測方法，大部分依舊沿用傳統(tǒng)衛(wèi)星遙感解譯方法，人工選取特征參數(shù)如光譜、紋理、形狀等進行分類，不僅需要領(lǐng)域?qū)＜业南闰炛R，而且工程量大。自2012年KRIZHEVSKY等[13]利用深度學習技術(shù)刷新了ImageNet大規(guī)模視覺識別競賽的世界紀錄以來，深度學習技術(shù)在圖像分類、圖像語義分割等方面已經(jīng)取得了令人矚目的成就。圖像語義分割是將像素按照圖像中表達的含義進行分組，屬于像素級別的分類。利用卷積神經(jīng)網(wǎng)絡(luò)(Convolution neural network, CNN)的分割方法[14]，在PASCAL VOC 2012圖像分割數(shù)據(jù)集上的mIoU(Mean intersection-over-union)達到51.6%，達到當時最佳的性能。但CNN對于小目標識別精度不夠且計算效率低下?；谌矸e神經(jīng)網(wǎng)絡(luò)的圖像語義分割方法[15]，將mIoU提高到62.2%。文獻[16]將全連接的條件隨機場(Conditional random field, CRF)作為FCN的后處理的方法，將mIoU提高到66.4%。文獻[17]實現(xiàn)端到端訓練FCN和CRF的分割方法，將mIoU提高到74.7%。但CRF具有訓練代價大、復(fù)雜度高的缺點，對于高分辨率的無人機影像，存在計算成本大、處理耗時長等問題。

針對現(xiàn)有無人機航拍監(jiān)測研究存在特征選擇復(fù)雜、識別精度較低、處理時間較長等不足，本文基于深度學習圖像語義分割算法，提出一種端到端的無人機影像大棚和地膜農(nóng)田識別方法。選用赤峰市王爺府鎮(zhèn)大棚和地膜農(nóng)田無人機航拍影像，其中大棚與該區(qū)域的廣場石磚顏色相近，地膜農(nóng)田間隙中的土地與普通耕地特征相近，同時影像分辨率高、細節(jié)豐富、數(shù)據(jù)量大，使研究具有典型性和代表性。針對數(shù)據(jù)集的特點，提出一套完整的無人機航拍監(jiān)測方法，構(gòu)建全卷積神經(jīng)網(wǎng)絡(luò)，從數(shù)據(jù)中自動學習特征，將像素按照影像中表達語義的不同進行分割，獲得更為準確的大棚和地膜覆蓋面積及地理分布信息。

1 數(shù)據(jù)材料

1.1 研究區(qū)概況

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

1.2 數(shù)據(jù)獲取與預(yù)處理

采用六旋翼無人機，搭載索尼NEX-5k相機，詳細參數(shù)見表1、2。無人機按照規(guī)劃好的航線飛行，飛行高度300 m，飛行速度5 m/s，鏡頭垂直航拍，航拍影像為RGB圖像，其空間分辨率為8 cm。

表1 無人機主要參數(shù)Tab.1 Main specifications of UAV

表2 索尼NEX-5k相機主要參數(shù)Tab.2 Main specifications of Sony NEX-5k camera

圖2 無人機航拍影像Fig.2 UAV aerial images

無人機航片通過商用無人機圖像拼接軟件Pix4Dmapper進行正射校正和拼接處理：首先導(dǎo)入篩選后的無人機航片并添加地理位置信息，通過空中三角測量法自動實現(xiàn)控制點加密，結(jié)合地面控制點數(shù)據(jù)實現(xiàn)航片的幾何校正，最終生成正射影像。本研究選擇5塊典型區(qū)域，區(qū)域1為3 000像素×5 000像素(圖2a)，覆蓋面積為0.096 km2。區(qū)域2為5 000像素×5 000像素(圖2b)，覆蓋面積為0.16 km2。測試區(qū)域1、2、3均為5 000像素×5 000像素(圖2c、2d、2e)，覆蓋面積均為0.16 km2，各區(qū)域均無交集。

2 識別方法

2.1 全卷積神經(jīng)網(wǎng)絡(luò)(FCN)

采用全卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)像素級別的分類。FCN具有和CNN相同的構(gòu)建塊，即卷積層和下采樣層。卷積層是深度神經(jīng)網(wǎng)絡(luò)的核心，用于提取圖像的顏色、紋理、形狀等特征，下采樣層用于減小特征的大小并減少網(wǎng)絡(luò)所需的計算量，也用于防止過擬合。目前FCN主要是基于現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)如AlexNet[13]、VGGNet[18]、GoogleNet[19]和ResNet[20]，然后進行微調(diào)操作來實現(xiàn)語義分割任務(wù)。

FCN與CNN區(qū)別在于，CNN在卷積層之后使用全連接層得到固定長度的特征向量進行分類，但這樣會丟失空間信息；而FCN把全連接層替換成卷積層后，對最后一個卷積層的特征圖進行上采樣，使它恢復(fù)到輸入圖像相同的大小，從而每個像素都有一個預(yù)測值，并保留了原始輸入圖像中的空間信息，實現(xiàn)逐像素分類，如圖3所示。

圖3 FCN基本結(jié)構(gòu)Fig.3 Basic structure of FCN

2.2 多尺度特征融合

圖4 多尺度特征融合示意圖Fig.4 Multi-scale feature illustration

由于高分辨率無人機影像具有很多細節(jié)信息，如低矮的農(nóng)作物、車輛等。如果直接將全卷積后的結(jié)果進行反卷積，會丟失很多細節(jié)特征，得到的結(jié)果比較粗糙。因此為了提取影像中細節(jié)信息，本文在反卷積時采取融合一部分較淺層的細節(jié)特征信息的方法優(yōu)化輸出。如圖4所示，考慮大棚和地膜農(nóng)田無人機影像與PASCAL VOC 2012數(shù)據(jù)集有較大差異，因此在原有的FCN-32s、FCN-16s、FCN-8s 3種網(wǎng)絡(luò)結(jié)構(gòu)模型的基礎(chǔ)上，融合了更淺層的特征圖實現(xiàn)了FCN-4s、FCN-2s 2種網(wǎng)絡(luò)結(jié)構(gòu)模型，然后通過實驗確定最適合大棚和地膜農(nóng)田識別任務(wù)的FCN模型。

3 實驗

分別對融合不同尺度細節(jié)特征的FCN-32s、FCN-16s、FCN-8s、FCN-4s、FCN-2s網(wǎng)絡(luò)結(jié)構(gòu)模型進行訓練，完整實驗流程如圖5所示。

圖5 實驗流程圖Fig.5 Experiment flow chart

3.1 數(shù)據(jù)集劃分與數(shù)據(jù)標注

考慮到實驗運行時間和配合網(wǎng)絡(luò)結(jié)構(gòu)等因素，將5塊區(qū)域的影像分割成若干個500像素×500像素的圖像，如圖2所示，訓練集為120幅，驗證集為40幅，測試集為300幅。

2.1.3 采樣方法。按照土壤樣品采集技術(shù)規(guī)范，以懷安縣太平莊鄉(xiāng)的2塊地、陽原縣大田洼鄉(xiāng)的2塊地共4塊地為試驗地塊，分別在每塊地的15和30 cm深度層面上隨機抽取5個位置，在每個位置上選擇3個不同點，然后將15個點得到的土壤按相同的重量混合在一起，獲得該地塊相應(yīng)深度層面的混合土壤樣本，重量以1 kg為宜，相同樣本采集3個，每塊地2個深度得到混合土壤樣本6個，4塊地共得到24個混合土壤樣本。

圖6 數(shù)據(jù)標注流程Fig.6 Data annotation procedure

由于無人機影像分辨率高、細節(jié)清晰，本文采用人工目視分類為主、地面調(diào)查的結(jié)果為輔的方式對影像進行像素級語義標注，作為實驗分割標準。首先使用零參數(shù)的簡單線性迭代聚類的超像素圖像分割算法[21]，自適應(yīng)地選擇每個超像素的緊湊度參數(shù)，將無人機影像(圖6a)分成10 000塊緊湊、均勻尺寸的超像素(圖6b)，得到的超像素邊緣更加規(guī)整，提高了標注效果。通過標注每個超像素的類不僅能確定出整幅圖的類別區(qū)域，而且會大幅度地提升標記速度。然后進行顏色填充，其中背景類的RGB值為(0，0，0)，大棚類的RGB值為(128，0，0)，地膜農(nóng)田類的RGB值為(0，128，0)，生成標注圖像(圖6c)。

3.2 模型訓練

本實驗采取Linux下的Chainer深度學習平臺[22]，考慮到無人機影像數(shù)據(jù)量大，計算時間長，因此采用NVIDIA Titan X GPU加速模型訓練，其中FCN的初始模型為VGG-16，使用在ImageNet數(shù)據(jù)集[23]上的預(yù)訓練模型進行微調(diào)，選用隨機梯度下降優(yōu)化算法(Stochastic gradient descent,SGD)，并引入動量進行優(yōu)化，其中動量為0.99，學習率為1×10-10。原始的SGD算法將訓練集分成多個批量，每次利用一個批量的樣本數(shù)據(jù)更新參數(shù)，公式定義為

xt+1=xt+Δxt

(1)

其中

Δxt=-ηgt

(2)

式中，η是學習率，gt是x在t時刻的梯度，利用一個批量數(shù)據(jù)更新可以減少計算量并提升收斂速率。但SGD最大的缺點在于每次更新依賴當前的批量，可能按照錯誤的方向進行。因此本文引入動量改進的SGD算法，更新時在一定程度上保留之前的更新方向，并微調(diào)當前批量梯度的更新方向，公式定義為

Δx=ρΔxt-1-ηgt

(3)

其中ρ為動量，表示在多大程度上保留原有的更新方向。因此帶動量的SGD算法增加了穩(wěn)定性、學習速度更快。本實驗選用交叉熵作為損失函數(shù)，用于衡量神經(jīng)網(wǎng)絡(luò)的預(yù)測值與實際值差異，公式定義為

(4)

其中

(5)

式中n——訓練數(shù)據(jù)個數(shù)

y——期望的輸出σ——激活函數(shù)

a——神經(jīng)元實際輸出

wi——權(quán)重向量xi——輸入向量

b——偏置向量

4 結(jié)果與分析

為驗證本文方法的有效性以及泛化能力，選擇無交集的測試區(qū)域1、2、3作為測試集進行實驗驗證。對5種FCN網(wǎng)絡(luò)結(jié)構(gòu)模型進行訓練和評估，并與目前廣泛應(yīng)用的ENVI軟件和eCognition軟件的識別效果進行比較。同時采取整體正確率和混淆矩陣兩種方法來評判識別精度效果。

4.1 大棚、地膜農(nóng)田識別結(jié)果

利用ENVI軟件進行基于像素的分類方法的對比實驗，通過軟件中ROI工具在測試區(qū)域影像上添加感興趣區(qū)(Regions of interest , ROI)，通過ENVI軟件中分類器自帶的支持向量機(Support vector machine, SVM)方法進行分類。然后利用eCognition軟件進行面向?qū)ο蟮姆诸惙椒ǖ膶Ρ葘嶒?，進行影像分割，并通過試誤法確定多尺度分割的最佳參數(shù)：分割尺度為200、形狀權(quán)重為0.4、緊致度權(quán)重為0.5。影像中大棚、地膜農(nóng)田在幾何和紋理等特征方面與其它地物有明顯區(qū)別，因此對分割后的影像進行光譜、紋理和形狀的特征提取，其中光譜特征包括各波段均值、標準差、比率、亮度等信息，在高分辨率無人機影像中能夠提取豐富紋理特征，彌補光譜數(shù)據(jù)少的缺點，形狀特征為長寬比、形狀指數(shù)等，并采用SVM方法進行分類。最后對5種FCN模型進行分類實驗，統(tǒng)計各方法的整體正確率，如表3所示。5種FCN模型中，F(xiàn)CN-4s整體識別率最高，為96.10%、97.52%、97.40%，而FCN-32s的整體識別率最低。FCN-4s相比FCN-32s融合了更多細節(jié)特征進而優(yōu)化識別效果。從表3中可以觀察到隨著融合細節(jié)特征的增加，F(xiàn)CN-32s、FCN-16s、FCN-8s、FCN-4s整體正確率逐漸提升，但FCN-2s獲取的過多淺層細節(jié)特征無助于正確率的進一步提升。

表3 各方法的整體正確率Tab.3 Overall accuracy of each method %

圖7為識別效果圖，通過對比可知，F(xiàn)CN-4s在3種方法中識別效果最好，基于像素的分類方法識別結(jié)果較差，出現(xiàn)椒鹽現(xiàn)象和碎片化，面向?qū)ο蟮姆诸惙椒m然明顯改善椒鹽現(xiàn)象，但對于地膜農(nóng)田和背景的分類存在大量錯分情況。

圖7 測試集識別結(jié)果對比Fig.7 Comparisons of experimental results on test set

4.2 實驗結(jié)果分析

4.2.1識別精度評價

采用混淆矩陣的方法進行分析，混淆矩陣的行代表分類器預(yù)測出的類別，列代表實際類別。由表4～6可知，對于測試區(qū)域1、2、3，F(xiàn)CN-4s對背景的識別精度為97.06%、98.55%、97.94%，對大棚識別精度為96.74%、93.91%、95.71%，對地膜農(nóng)田識別精度為93.08%、98.18%、96.80%。而基于像素的分類方法對于大棚的識別效果較好，但對于背景和地膜農(nóng)田效果較差，兩者存在大量錯分現(xiàn)象。面向?qū)ο蟮姆诸惙椒ㄏ啾然谙袼氐姆诸惙椒▽Φ啬まr(nóng)田識別精度有明顯提升，但對背景類識別效果依舊較差，主要原因是背景類(包含裸地和未覆蓋地膜的農(nóng)田)與地膜農(nóng)田特征相近，增加了錯分的可能。實驗結(jié)果證明，本文FCN-4s模型識別效果明顯優(yōu)于上述兩種方法，對背景和地膜農(nóng)田的錯分情況有顯著改善。

4.2.2識別速度評價

為驗證模型的識別效率，將5種FCN模型分別對測試集進行100次實驗，統(tǒng)計運行時間，并與基于像素的分類方法、面向?qū)ο蟮姆诸惙椒ㄟM行比較。相比ENVI和eCognition遙感軟件，本文方法采用GPU加速對模型的訓練和識別。由表7可知，5種FCN模型運行時間均明顯小于面向?qū)ο蟮姆诸惙椒ê突谙袼氐姆诸惙椒ǖ倪\行時間。通過對比5種FCN模型的平均運行時間，F(xiàn)CN-32s模型用時最少，為16.43 s，F(xiàn)CN-4s次之，為16.85 s。同時統(tǒng)計了整體正確率最高的FCN-4s模型不進行GPU加速的平均運行時間，為536.80 s。因此利用GPU加速能夠有效地提升模型的識別速度。

表4 測試區(qū)域1實驗結(jié)果的混淆矩陣Tab.4 Confusion matrix of experiment results in test region 1 %

表5 測試區(qū)域2實驗結(jié)果的混淆矩陣Tab.5 Confusion matrix of experiment results in test region 2 %

表6 測試區(qū)域3實驗結(jié)果的混淆矩陣Tab.6 Confusion matrix of experiment results in test region 3 %

5 結(jié)論

(1)利用無人機采集高分辨率、低成本的航拍影像彌補了衛(wèi)星遙感影像分辨率低、成本高、獲取周期長的缺點。提出一種基于深度學習的大棚及地膜農(nóng)田無人機監(jiān)測方法，利用全卷積神經(jīng)網(wǎng)絡(luò)自動提取和學習圖像的顏色、紋理、形狀等特征，避免了傳統(tǒng)分類方法復(fù)雜的特征選擇過程，實現(xiàn)模型端到端訓練。

表7 各方法的平均運行時間Tab.7 Average runtime of each method

(2)采用多尺度的特征融合方法，實現(xiàn)了5種FCN模型，通過實驗選擇出識別效果最好的FCN模型：FCN-4s。該模型通過融合適量底層細節(jié)信息特征，得到了較好的識別效果，對于測試區(qū)域1、2、3，本方法的平均整體正確率為97%，明顯高于基于像素分類方法和面向?qū)ο蟮姆诸惙椒?，對大棚及地膜農(nóng)田有較好的識別效果。

(3)本文方法識別速度較快，利用GPU加速等手段優(yōu)化了模型的識別速度，運行時間明顯小于基于像素的分類方法和面向?qū)ο蟮姆诸惙椒ǖ倪\行時間。

(4)研究結(jié)果表明，本方法能夠滿足對大棚和地膜農(nóng)田監(jiān)測的要求，具有廣泛的應(yīng)用前景。

1 王勉. 高效設(shè)施農(nóng)業(yè)發(fā)展現(xiàn)狀及趨勢分析[J]. 經(jīng)濟論壇, 2012, 2(2): 108-111.

WANG Mian.The development status and trend of high efficiency facility agriculture[J].Economic Forum,2012,2(2):108-111.(in Chinese)

2 李中華, 王國占, 齊飛. 我國設(shè)施農(nóng)業(yè)發(fā)展現(xiàn)狀及發(fā)展思路[J]. 中國農(nóng)機化, 2012，34(1): 7-10.

LI Zhonghua,WANG Guozhan,QI Fei.Current situation and thinking of development of protected agriculture in China[J].Chinese Agricultural Mechanization,2012，34(1):7-10.(in Chinese)

3 趙愛琴, 魏秀菊, 朱明. 基于Meta-analysis 的中國馬鈴薯地膜覆蓋產(chǎn)量效應(yīng)分析[J].農(nóng)業(yè)工程學報, 2015, 31(24):1-7.

ZHAO Aiqin,WEI Xiuju,ZHU Ming. Meta-analysis on impact of plastic film on potato yield in China[J]. Transactions of the CSAE, 2015, 31(24):1-7.(in Chinese)

4 AGUERA F, AGUILAR F J, AGUILAR M A. Using texture analysis to improve per-pixel classification of very high resolution images for mapping plastic greenhouses[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2008, 63(6): 635-646.

5 黃振國,陳仲新,劉芳清,等.基于HJ-1影像的大棚菜地遙感監(jiān)測技術(shù)研究[J].中國農(nóng)業(yè)資源與區(qū)劃, 2013,34(5):102-106.

HUANG Zhen’guo,CHEN Zhongxin,LIU Fangqing, et al.Monitoring of greenhouse vegetables land using HJ-1 remotely-sensed imagery[J].Chinese Journal of Agricultural Resources and Regional Planning,2013,34(5):102-106.(in Chinese)

6 王志盼,張清凌,錢靜,等.基于增強型水體指數(shù)的大棚遙感檢測研究——以廣東江門地區(qū)為例[J].集成技術(shù),2017,6(2):12-21.

WANG Zhipan,ZHANG Qingling,QIAN Jing,et al.Greenhouse extraction based on the enhanced water index—a case study in Jiangmen of Guangdong[J].Journal of Integration Technology,2017,6(2):12-21.(in Chinese)

7 沙先麗.地膜農(nóng)田遙感信息提取及覆膜地表溫度反演[D]. 杭州：浙江大學, 2012.

SHA Xianli.A study on extraction of plastic-mulched landcover and in retrieval of mulched land surface temperature using remote sensing data[D].Hangzhou：Zhejiang University,2012.(in Chinese)

8 WATTS A C, AMBROSIA V G, HINKLEY E A. Unmanned aircraft systems in remote sensing and scientific research: classification and considerations of use[J]. Remote Sensing, 2012, 4(6): 1671-1692.

9 劉峰,劉素紅,向陽.園地植被覆蓋度的無人機遙感監(jiān)測研究[J/OL].農(nóng)業(yè)機械學報,2014,45(11):250-257. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20141139&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2014.11.039.

LIU Feng,LIU Suhong,XIANG Yang.Study on monitoring fractional vegetation cover of garden plots by unmanned aerial vehicles[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2014,45(11):250-257.(in Chinese)

10 HUNG C, XU Z, SUKKARIEH S. Feature learning based approach for weed classification using high resolution aerial images from a digital camera mounted on a UAV[J]. Remote Sensing, 2014, 6(12): 12037-12054.

11 魯恒, 付蕭, 賀一楠, 等. 基于遷移學習的無人機影像耕地信息提取方法[J/OL]. 農(nóng)業(yè)機械學報, 2015, 46(12): 274-279.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20151237&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2015.12.037.

LU Heng,FU Xiao,HE Yi’nan,et al.Cultivated land information extraction from high resolution UAV images based on transfer learning[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2015,46(12):274-279.(in Chinese)

12 韓文霆, 郭聰聰, 張立元,等. 基于無人機遙感的灌區(qū)土地利用與覆被分類方法[J/OL]. 農(nóng)業(yè)機械學報, 2016, 47(11):270-277.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20161137&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2016.11.037.

HAN Wenting,GUO Congcong,ZHANG Liyuan,et al.Classification method of land cover and irrigated farm land use based on UAV remote sensing in irrigation[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2016,47(11):270-277.(in Chinese)

13 KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[C]∥Advances in Neural Information Processing Systems, 2012: 1097-1105.

14 HARIHARAN B, ARBELAEZ P,GIRSHICK R, et al. Simultaneous detection and segmentation[C]∥European Conference on Computer Vision. Springer International Publishing, 2014: 297-312.

15 LONG J, SHELHAMER E, DARRELL T. Fully convolutional networks for semantic segmentation[C]∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2015: 3431-3440.

16 CHEN L C, PAPANDREOU G, KOKKINOS I, et al. Semantic image segmentation with deep convolutional nets and fully connected crfs[C] ∥International Conference on Learning Representations (ICLR), 2015.

17 ZHENG S, JAYASUMANA S, ROMERAP B, et al. Conditional random fields as recurrent neural networks[C]∥Proceedings of the IEEE International Conference on Computer Vision,2015: 1529-1537.

18 SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[C]∥International Conference on Learning Representations (ICLR),2015.

19 SZEGEDY C, LIU W, JIA Y, et al. Going deeper with convolutions[C]∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2015: 1-9.

20 HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016: 770-778.

21 ACHANTA R, SHAJI A, SMITH K, et al. SLIC Superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(11): 2274-2282.

22 TOKUI S, OONO K, HIDO S, et al. Chainer: a next-generation open source framework for deep learning[C]∥Proceedings of workshop on machine learning systems (LearningSys) in the twenty-ninth annual conference on neural information processing systems (NIPS), 2015:1-6.

23 RUSSAKOVSKY O, DENG J, SU H, et al. ImageNet large scale visual recognition challenge[J]. International Journal of Computer Vision, 2015, 115(3): 211-252.