基于MHSA+DeepLab v3+的無(wú)人機(jī)遙感影像小麥倒伏檢測(cè)

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(lái)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(wú)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]。基于Radarsat-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(guò)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(wú)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(wú)人機(jī)獲得的圖像中的光譜和紋理特征來(lái)確定小麥倒伏區(qū)域；CHAUHAN等[14]對(duì)無(wú)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(wú)人機(jī)可見(jiàn)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(wú)人機(jī)遙感平臺(tái)獲取小麥倒伏后的冠層可見(jiàn)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(jiàn)光融合圖像以及數(shù)字表面模型和過(guò)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(guò)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(wú)人機(jī)可見(jiàn)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(yǔ)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(wú)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(wú)霜期211 d、日照時(shí)數(shù)2 163.8 h、總太陽(yáng)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(wú)人機(jī)可見(jiàn)光遙感影像。無(wú)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(jiàn)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(wú)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(wú)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(jiàn)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。可以看出，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(wèn)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(guò)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(guò)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(yǔ)義分割模型

語(yǔ)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(yǔ)義含義的區(qū)域塊，并識(shí)別出每個(gè)區(qū)域塊的語(yǔ)義類別，實(shí)現(xiàn)從底層到高層的語(yǔ)義推理過(guò)程，最終得到一幅具有逐像素語(yǔ)義標(biāo)注的分割圖像。與傳統(tǒng)的語(yǔ)義分割方法相比，基于卷積神經(jīng)網(wǎng)絡(luò)的語(yǔ)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(yǔ)義分割的精確度。

DeepLab v3+網(wǎng)絡(luò)是通過(guò)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(lái)。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(yǔ)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(lái)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(yǔ)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(guò)多使得倒伏小麥邊緣信息丟失的問(wèn)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(lái)并行處理輸入特征以提取多尺度信息，但過(guò)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(yǔ)義分割空洞現(xiàn)象[24]，這將對(duì)農(nóng)田無(wú)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(guò)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(yǔ)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(guò)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(wú)人機(jī)遙感影像小麥倒伏識(shí)別深度語(yǔ)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(yǔ)義分割模型進(jìn)行比較。訓(xùn)練深度語(yǔ)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(yǔ)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(yǔ)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(yǔ)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(jiàn)，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(wú)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(yǔ)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(yǔ)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(wèn)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(wèn)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(wèn)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(wèn)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(wú)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?？梢钥闯觯贒eepLab 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(jiàn)，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?？梢钥闯觯诠酀{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。