深度卷積神經(jīng)網(wǎng)絡(luò)的遙感植被檢測方法

徐姍姍，呂凈妍，陳芳媛

(1.南京林業(yè)大學(xué)信息科學(xué)技術(shù)學(xué)院，江蘇 南京 210037；2.哈爾濱理工大學(xué)機械動力工程學(xué)院，黑龍江 哈爾濱 150006)

植被檢測方法眾多，而深度學(xué)習(xí)技術(shù)在處理圖像檢測問題上日益成熟。對比傳統(tǒng)圖像處理方法，深度卷積神經(jīng)網(wǎng)絡(luò)運用了卷積層和池化層。卷積層能從局部獲取信息，最后將局部信息綜合得到全局信息，減少未知參數(shù)數(shù)量；池化層主要用來壓縮數(shù)據(jù)，去除冗余信息，提取重要的特征，減小過擬合，縮小圖片尺寸。此外，共享權(quán)值亦是卷積神經(jīng)網(wǎng)絡(luò)的一大特點，降低網(wǎng)絡(luò)的復(fù)雜度，來處理高維數(shù)據(jù)[1]。而對于特征的選取，卷積神經(jīng)網(wǎng)絡(luò)不需要進(jìn)行人工選取，只要訓(xùn)練好參數(shù)，即可得到特征分類。

早期的植被遙感分類需要到探測地進(jìn)行野外實地調(diào)查，且檢測主要以目視為主，不僅費時、費力、成本高，且無法進(jìn)行大面積區(qū)域的檢測。隨著科技和理論的不斷發(fā)展，K最鄰近節(jié)點算法(KNN)[2]、聚類算法[3-4]、支持向量機算法(SVM)[5]、基于小波的分類方法[6]及全連接神經(jīng)網(wǎng)絡(luò)[7]和半監(jiān)督算法[8]亦被應(yīng)用于圖像分類領(lǐng)域中，但算法依然在識別速度和精度上存在局限性[9]。KNN訓(xùn)練效率低，SVM對大規(guī)模數(shù)據(jù)訓(xùn)練比較困難，全連接神經(jīng)網(wǎng)絡(luò)則由于每一層都是全連接，導(dǎo)致參數(shù)過多訓(xùn)練困難，需要大量樣本去訓(xùn)練，時間成本亦耗費巨大。在植被檢測研究中，遙感數(shù)據(jù)主要是基于遙感圖像和高光譜等。

基于高分辨率遙感圖像的植被檢測中，黃昌狄等10]采用自適應(yīng)共振網(wǎng)絡(luò)對植被進(jìn)行檢測識別，獲得了90.8%的識別率，然而網(wǎng)絡(luò)構(gòu)建較為復(fù)雜；陳斌等[11]采用深度學(xué)習(xí)技術(shù)中的GoogleNet模型對植被進(jìn)行分類檢測，獲得了88.3%的識別精度，然而GoogleNet添加的損失函數(shù)容易導(dǎo)致擴(kuò)展性低下；王健[12]基于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)對山區(qū)的植被信息進(jìn)行檢測，獲得了94.0%的識別精度，然而山區(qū)植被場景的檢測較為簡單；楊朦朦等[13]基于信號處理中的小波分解和傳統(tǒng)BP(back propagation)神經(jīng)網(wǎng)絡(luò)對遙感圖像進(jìn)行分類識別，獲得了93.1%的識別精度，然而需要添加小波分解過程；劉祖瑾等[14]采用深度置信網(wǎng)絡(luò)對遙感圖像中的植被進(jìn)行提取檢測，獲得了91.9%的識別精度。高光譜是遙感數(shù)據(jù)中常用的信息，馬凱等[15]基于BP神經(jīng)網(wǎng)絡(luò)，對高光譜圖像中的植被直接進(jìn)行檢測，得到92.4%的目標(biāo)識別精度。但是，高光譜信息無法合理利用植被色彩信息，因此，更多的研究是基于圖像和高光譜信息的植被檢測，例如，陳冠宇等[16]采用傳統(tǒng)機器學(xué)習(xí)中的支持向量機算法對圖像中的植被區(qū)域進(jìn)行檢測識別，精度達(dá)到83.6%，然而支持向量機通常希望正負(fù)樣本的規(guī)模差不多，否則容易造成誤分類。

卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型成功應(yīng)用于手寫體字符識別并獲得優(yōu)異成果[17]，其結(jié)構(gòu)不斷得到優(yōu)化，逐步應(yīng)用在物體檢測、圖像識別[18]、人臉識別、語音識別等諸多方面?；贑NN模型，通過對其結(jié)構(gòu)進(jìn)行分析，利用優(yōu)化深度網(wǎng)絡(luò)模型來對遙感圖像中的植被區(qū)域進(jìn)行檢測識別。

本研究基于遙感衛(wèi)星影像，通過對卷積神經(jīng)網(wǎng)絡(luò)的深入研究，包括優(yōu)化器的原理、卷積核的設(shè)置以及網(wǎng)絡(luò)層數(shù)配置，對高分辨率圖像中的植被區(qū)域進(jìn)行檢測，快速有效地檢測出城市中的植被區(qū)域，為植被資源統(tǒng)計等相關(guān)研究及管理提供依據(jù)。

1 材料與方法

1.1 研究區(qū)域概況

研究區(qū)域為南京市玄武區(qū)(118.79°E，32.05°N)，植被類型包括常見喬木和灌木。而根據(jù)城市森林類型劃分，主要包括行道樹和城市森林公園等。

1.2 研究數(shù)據(jù)

目前，在植被檢測研究中，相關(guān)的樣本集并不豐富，需要構(gòu)建實驗所需的樣本集，并對數(shù)據(jù)集進(jìn)行預(yù)處理。數(shù)據(jù)采集方式為衛(wèi)星遙感圖像，地面的分辨率為0.3 m。為了去除圖像畸變造成的干擾，數(shù)據(jù)集需要先進(jìn)行正射變化，使得數(shù)據(jù)接近于垂直采集方式。首先把圖像分為256×256像素，對圖片采取旋轉(zhuǎn)、翻轉(zhuǎn)、增強亮度和對比度等一系列操作用以數(shù)據(jù)擴(kuò)充，并進(jìn)行正負(fù)樣本分類。目標(biāo)是將樣本擴(kuò)充至原來的50倍。最后獲取了植被(正類)數(shù)為1 665，非植被(負(fù)類)數(shù)為1 032。部分正負(fù)樣本集見圖1。

1.3 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)為一種通過卷積池化計算自動提取特征，具有深度層次結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練過程中采用反向傳播算法來不斷調(diào)整參數(shù)，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，得到一個近似的結(jié)果。其基本結(jié)構(gòu)包括了輸入層、卷積層、池化層和全連接層。卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖2所示。

首先，在輸入層輸入訓(xùn)練樣本，從這些樣本中，學(xué)習(xí)特征圖，并進(jìn)入卷積層，卷積層的卷積核與上一層獲得的特征圖進(jìn)行卷積操作，通過激活函數(shù)得到這一層的神經(jīng)元，構(gòu)成了該層特征圖。在卷積層中，每個特征圖可以共享權(quán)值，不同的卷積層則需要使用不同的卷積核。卷積核(aij)計算公式為

(1)

式中：wm,n和xi+m，j+n分別為卷積核和某局部區(qū)域?qū)?yīng)權(quán)值，wb為卷積核的偏置值，(i,j)為二維圖像中像素點的位置。

圖像從鄰域選取與卷積核相同尺寸的區(qū)域，卷積核每個對應(yīng)的權(quán)重與之相乘，得到的數(shù)據(jù)作為一個新的神經(jīng)元，之后移動卷積核，讓圖像繼續(xù)進(jìn)行上述卷積操作，最后新神經(jīng)元構(gòu)成了新的特征圖輸出到下一層結(jié)構(gòu)中。

假設(shè)W為輸入圖像寬度，P為填充尺寸(padding size)，f為卷積核尺寸，s為卷積核移動步長，則經(jīng)過卷積層卷積后輸出的圖像大小為(W+2P-f)/s+1，結(jié)果向下取整。在卷積層中，通常需要設(shè)置多個卷積核，從而得到完整的卷積特征。然而，多個卷積核導(dǎo)致權(quán)重設(shè)置困難，因此本研究重點對卷積核與網(wǎng)絡(luò)層數(shù)進(jìn)行研究。

1.4 池化方法

由于進(jìn)行高維度特征訓(xùn)練時，需要耗費巨大的計算資源，并可能會產(chǎn)生過擬合等問題，為了減少計算的復(fù)雜度，引入池化操作，即將上一層卷積得到的特征圖輸入到池化層中進(jìn)行訓(xùn)練，把一個局部區(qū)域的不同位置的特征聚合成一個特征，從而輸出無冗余信息的特征圖。通常池化層的池化操作取對應(yīng)位置的最大值或平均值，分別稱之為“最大池化”和“平均池化”。在池化過程中，無學(xué)習(xí)參數(shù)，因此無需反向傳播，也不需要計算梯度。最大池化操作和平均池化的示意圖見圖3。

在池化操作中，假設(shè)W為輸入特征圖像的寬度，f為池化窗口的寬度(卷積核尺寸)，則輸出的圖像特征圖大小為(W-f)/s+1，計算結(jié)果向上取整。

全連接層在卷積神經(jīng)網(wǎng)絡(luò)中有對特征碎片分類的功能，通常運用于網(wǎng)絡(luò)的最后若干層，其將經(jīng)過卷積池化后的特征做分類整合，并映射到樣本標(biāo)記空間中。全連接層將圖像中所有特征保留下來并做整合，不考慮位置關(guān)系，每一個神經(jīng)元都會與上一層神經(jīng)元連接，因而參數(shù)量和計算量巨大。在卷積神經(jīng)網(wǎng)絡(luò)模型中，全連接層通常只設(shè)置2～3層。

相比于全連接層網(wǎng)絡(luò)，卷積層內(nèi)的同一個特征圖能夠共享權(quán)值，且池化層能降低圖像的分辨率，去除冗余的信息，大幅度減少網(wǎng)絡(luò)的參數(shù)，降低網(wǎng)絡(luò)的復(fù)雜度。再者，因為卷積神經(jīng)網(wǎng)絡(luò)能夠得到某些特殊的特征，比如圖像的邊角等，以及能從局部感知全局的特性，保證了卷積神經(jīng)網(wǎng)絡(luò)的平移、旋轉(zhuǎn)、縮放和拉伸的不變性，甚至不同環(huán)境條件下，都能識別出樣本特征，與其他傳統(tǒng)方法相比識別結(jié)果更加精確[19]。

2 結(jié)果與分析

2.1 優(yōu)化器分析

初始的6層卷積神經(jīng)網(wǎng)絡(luò)如圖4所示。分別針對優(yōu)化器、卷積核以及網(wǎng)絡(luò)層數(shù)進(jìn)行分析，基于Loss值(損失函數(shù)值)，得出最優(yōu)結(jié)構(gòu)。

深度學(xué)習(xí)網(wǎng)絡(luò)中優(yōu)化器共有多種，比較常見的優(yōu)化器有梯度下降優(yōu)化器[20]、Adam優(yōu)化器[21]、Momentum優(yōu)化器等[22]，本研究對上述3種優(yōu)化器進(jìn)行實驗，對比不同優(yōu)化器的優(yōu)缺點，選取最適合植被檢測的優(yōu)化器。

為了防止其他因素對實驗造成影響，設(shè)置其他參數(shù)保持一致，網(wǎng)絡(luò)層數(shù)為10層(其中包括4層卷積、4層池化、2層全連接)，卷積核大小為5×5，把批處理的尺寸(batch_size)設(shè)置成32。梯度下降優(yōu)化原理是在當(dāng)前位置尋找梯度，沿著梯度相悖的方向就能讓函數(shù)值快速下降，直到找到最優(yōu)解。主要參數(shù)是學(xué)習(xí)率，因而須對優(yōu)化器的學(xué)習(xí)率進(jìn)行確定。研究中學(xué)習(xí)率的設(shè)定需要通過反復(fù)實驗來設(shè)置，這里僅僅給出3個學(xué)習(xí)率探討結(jié)果，如圖5所示。

當(dāng)學(xué)習(xí)率為0.000 1時，雖然Loss值呈下降趨勢，但因?qū)W習(xí)率太小，收斂速度異常緩慢，訓(xùn)練次數(shù)達(dá)到104次時，Loss值依然在0.6以上震蕩，需要大量的訓(xùn)練次數(shù)才能得到預(yù)期的實驗結(jié)果，耗費巨大計算資源。學(xué)習(xí)率為0.001的網(wǎng)絡(luò)圖像可以在4 800次訓(xùn)練時得到較好收斂，但Loss曲線收斂后仍會存在輕微震蕩，無法達(dá)到預(yù)期實驗精度。在學(xué)習(xí)率為0.1的網(wǎng)絡(luò)中，由于學(xué)習(xí)率過大，一直無法到達(dá)最低點，使震蕩不收斂。故根據(jù)實驗結(jié)果，可以得出結(jié)論，采用梯度下降優(yōu)化器需要多次試驗，選取合適的學(xué)習(xí)率，學(xué)習(xí)率太小會導(dǎo)致Loss曲線收斂緩慢，反之會使優(yōu)化幅度直接跳過最優(yōu)點，導(dǎo)致曲線震蕩不收斂。

根據(jù)上述實驗結(jié)果，保持其他參數(shù)不變，選取學(xué)習(xí)率為0.001的GradientDescent梯度下降優(yōu)化器，將其與Adam優(yōu)化器以及Momentum優(yōu)化器進(jìn)行對比試驗，從而選取合適的優(yōu)化器。Adam優(yōu)化器從隨機梯度下降(SGD)算法擴(kuò)展而來，與之不同的是，Adam是一種自適應(yīng)的優(yōu)化器，可以根據(jù)訓(xùn)練的數(shù)據(jù)自動更新神經(jīng)網(wǎng)絡(luò)的權(quán)重，且學(xué)習(xí)率在訓(xùn)練時不發(fā)生改變。Momentum優(yōu)化器引入SGD算法，由于引入動量的概念，可以積攢歷史梯度動量，當(dāng)前的權(quán)值會受到上一次下降梯度的影響，如前一刻梯度與當(dāng)前梯度不一致，受到前一梯度影響，會在當(dāng)前梯度方向按前一梯度的權(quán)值減弱下降的幅度，從而減小震蕩。而如果當(dāng)前的梯度與前一梯度方向相似，則下降的趨勢會在此時增強，通常超參數(shù)動量設(shè)置成0.9。3類優(yōu)化器的Loss曲線全局圖見圖5。由圖5D可見，Adam優(yōu)化器能很快找到正確的下降方向，Loss曲線收斂最快，收斂后，曲線比較穩(wěn)定，不會發(fā)生大幅度震蕩；GradientDescent梯度下降優(yōu)化器的Loss曲線下降均勻，但收斂后仍會發(fā)生小幅度震蕩，下降速率慢于Adam優(yōu)化器，且需要考慮是否陷入局部最優(yōu)解的狀態(tài)；Momentum優(yōu)化器剛開始很難找到正確的前進(jìn)方向，下降速度比隨機梯度下降優(yōu)化器快，在鄰近最優(yōu)解時由于前一梯度與當(dāng)前梯度不一致，造成收斂緩慢。根據(jù)以上結(jié)論，Adam優(yōu)化器是3類優(yōu)化器中最好的選擇，能夠更好地優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，更快地訓(xùn)練。

2.2 卷積核大小分析

在CNN網(wǎng)絡(luò)中，卷積核是一種二維的濾波器矩陣，圖像的每一個像素點及其鄰域像素(選取的鄰域與卷積核大小有關(guān))都要與卷積核對應(yīng)的權(quán)值相乘，從而提取有效的特征,因此卷積核的選取亦對實驗有較大影響。根據(jù)理論知識，越大的卷積核，感受野也就越大，能夠識別的圖片信息就更多，獲得的特征就越完整[17]。卷積層的運算量為num(MAC)=I×J×M×N×K×L。其中，num(MAC)為當(dāng)時網(wǎng)絡(luò)計算量，I×J為卷積核尺寸，M×N為輸出特征大小，K表示輸入通道數(shù)，L表示輸出通道數(shù)?？芍矸e核越大，伴隨的計算量也會明顯增加。如假設(shè)卷積核尺寸為3×3，輸出特征圖大小為32×32，輸入通道數(shù)為3，輸出通道數(shù)為16，則計算量為3×3×32×32×3×16=442 368；若卷積核改成9×9，則運算量增大到3 981 312，比3×3的卷積核運算量增加了近10倍。為了選取合適的卷積核尺寸，使實驗達(dá)到較為滿意的結(jié)果；同時，因為卷積核是一個矩陣，為了讓其有一個中心點，通常卷積核寬度應(yīng)為奇數(shù)。此時，使用上述提到的Adam優(yōu)化器，網(wǎng)絡(luò)層數(shù)為10層(包括4層卷積、3層池化、2層全連接以及1層輸入層)的卷積神經(jīng)網(wǎng)絡(luò)，分別將卷積核寬度設(shè)置成3、5、7、9、11，其Loss曲線對比圖(全局)如圖6A所示。尺寸大小為3×3的卷積核在迭代8 520次左右時會發(fā)生大幅度震蕩，卷積核寬度分別為7和9的曲線圖在迭代9 120次和6 480次左右發(fā)生震蕩，卷積核寬度為11的Loss曲線下降最為緩慢。由圖6B迭代次數(shù)為0～1 500次的局部Loss曲線圖，發(fā)現(xiàn)卷積核尺寸為9×9的Loss曲線在迭代700次左右時就已經(jīng)收斂，收斂速度最快，當(dāng)卷積核寬度分別為3和11時，收斂都較為緩慢，故卷積核過大或過小都不能很好地提取特征信息。而卷積核寬度分別為7和9的Loss曲線收斂時間相差無幾。由迭代次數(shù)為500～1 000的Loss曲線圖(圖6C)，可以發(fā)現(xiàn)卷積核寬度為9比卷積核寬度為7的Loss曲線圖收斂得更快。因此，尺寸過大過小的卷積核都無法有效提取特征，應(yīng)根據(jù)樣本集選取合適的卷積核尺寸。卷積核寬度為9的神經(jīng)網(wǎng)絡(luò)對于遙感植被樣本集更為有效，能提取更加完整的樣本特征。

2.3 網(wǎng)絡(luò)層數(shù)分析

全連接神經(jīng)網(wǎng)絡(luò)由于參數(shù)量太多，無法利用像素之間的位置關(guān)系，每個像素點都被同等對待，導(dǎo)致學(xué)習(xí)大量無用的權(quán)重，且由于限制了網(wǎng)絡(luò)層數(shù)，無法運用深層次的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，故不太適合將全連接神經(jīng)網(wǎng)絡(luò)運用于圖像識別中。而CNN增加了局部連接，權(quán)值共享和池化等方法解決了全連接層的以上問題。一般來說，網(wǎng)絡(luò)層數(shù)越多，其表達(dá)能力越強。為了驗證這一想法，研究使用大小為9×9的卷積核，其他變量依舊保持一致，網(wǎng)絡(luò)層數(shù)分別設(shè)置成6、9、10、11、12、13層(其中6層網(wǎng)絡(luò)包括2層池化層，其余網(wǎng)絡(luò)均為3層池化層，卷積層分別為2～7層)，其實驗結(jié)果如圖7所示。此時，池化層為3層的卷積網(wǎng)絡(luò)Loss損失值均為0.7左右，比2層池化的Loss值低，說明池化層能夠有效地去除冗余信息，提高計算效率。而在收斂后Loss曲線的穩(wěn)定性分析上，13層和10層卷積神經(jīng)網(wǎng)絡(luò)穩(wěn)定性較好，11層在迭代9 100次左右發(fā)生了大幅度震蕩，6層網(wǎng)絡(luò)的振蕩頻率則比較頻繁。

從迭代0～2 000次的Loss曲線局部圖(圖7B)可見，10層網(wǎng)絡(luò)的穩(wěn)定性依然是所有曲線中表現(xiàn)最好的，也是Loss值下降和收斂的最優(yōu)配置，而11層網(wǎng)絡(luò)的曲線并不穩(wěn)定。

迭代500～1 500次時，可以明顯觀察到，10層網(wǎng)絡(luò)已經(jīng)基本收斂，13層網(wǎng)絡(luò)由于訓(xùn)練參數(shù)較多，結(jié)構(gòu)復(fù)雜，Loss值依然可能會升高至較大水平；再觀察曲線的穩(wěn)定性，9層和10層網(wǎng)絡(luò)收斂后，基本不會發(fā)生抖動，比較穩(wěn)定；而其他曲線仍有很大波動，未能達(dá)到收斂狀態(tài)。

綜合考慮，10層網(wǎng)絡(luò)結(jié)構(gòu)在實驗樣本集上能夠保持最好的Loss曲線收斂速度和收斂后的穩(wěn)定性，為本實驗所研究的最優(yōu)結(jié)構(gòu)。

2.4 精度對比

卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)化器、卷積核大小和網(wǎng)絡(luò)層數(shù)都對實驗結(jié)果有重要影響，Adam優(yōu)化器是目前最主流的優(yōu)化器，能夠自動變更學(xué)習(xí)率，加快收斂速度。卷積核過小不能有效提取特征值，過大反而會導(dǎo)致計算量暴增，曲線難收斂，在本研究中，卷積核大小為9×9可以達(dá)到最好效果。卷積網(wǎng)絡(luò)層數(shù)則沒有具體標(biāo)準(zhǔn)來定性，需要通過具體實驗來確定最優(yōu)結(jié)構(gòu)，10層卷積網(wǎng)絡(luò)(包含1層輸入層、4層卷積層、3層池化層和2層全連接層)，可以在本實驗中達(dá)到較好的效果。運用上述參數(shù)構(gòu)成的卷積神經(jīng)網(wǎng)絡(luò)測試483張遙感圖片，正確分類了470張，其中240張為植被圖像，230張為非植被圖像，分類效果如圖8所示。結(jié)果錯誤分類了13張圖片，得到的植被檢測平均識別率為95.4%。在統(tǒng)計正確率過程中，當(dāng)整幅圖80%像素點為植被信息并且算法識別為植被區(qū)域時，認(rèn)為該圖被正確識別。

本研究的植被檢測精度為95.4%，高于其他方法所得結(jié)果[10-16]。

實驗中錯誤分類的圖片是指圖片中含有80%以上像素點為植被區(qū)域，卻被算法識別為非植被或者僅有20%不到的像素為植被區(qū)域，而算法卻認(rèn)為是植被區(qū)域。錯誤主要集中在：植被區(qū)域比較分散的圖片；陰影區(qū)域較多的區(qū)域；植被與非植被區(qū)域界線不明顯；非綠色植被易識別錯誤，如非植被區(qū)域為綠色，則容易識別為植被。

若需要提高精度則應(yīng)當(dāng)增加訓(xùn)練層數(shù)，增加非綠色植被的訓(xùn)練樣本數(shù)，繼續(xù)增加網(wǎng)絡(luò)層數(shù)，探尋是否有更適合本實驗的網(wǎng)絡(luò)結(jié)構(gòu)，以獲得更加精確的識別率。如果卷積神經(jīng)網(wǎng)絡(luò)能選用合適的參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)，就能夠提取植被特征并完成對植被的檢測，且提升植被檢測的識別率。

3 結(jié) 論

1)用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行植被參數(shù)提取時，卷積層的作用是提取圖片特征，池化層能夠有效地去除冗余信息。在利用卷積神經(jīng)網(wǎng)絡(luò)處理二維圖像時，無需手動提取特征，進(jìn)行簡單少量的預(yù)處理后，直接把圖像輸入到CNN模型中進(jìn)行訓(xùn)練，即可實現(xiàn)圖片的識別分類功能。降低了預(yù)處理的難度，同時局部感知和權(quán)值共享大幅度地減少了參數(shù)數(shù)量，加快了計算速度。次抽樣還能保證圖像處理后的平移、旋轉(zhuǎn)、縮放和拉伸的不變性，解決了傳統(tǒng)方法計算量和樣本量大、結(jié)構(gòu)復(fù)雜以及費時的缺點。

2)優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)，應(yīng)當(dāng)選取合適的卷積核尺寸、優(yōu)化器和網(wǎng)絡(luò)層數(shù)。卷積核選擇錯誤會導(dǎo)致植被檢測分類結(jié)果的精度降低，Adam優(yōu)化器能夠自適應(yīng)調(diào)整學(xué)習(xí)率，讓Loss曲線快速收斂。網(wǎng)絡(luò)層數(shù)則沒有定性的指標(biāo)，必須根據(jù)樣本集不斷試驗才能得到最好的網(wǎng)絡(luò)結(jié)構(gòu)。本研究的植被檢測精度為95.4%，與其他算法相比精度較高。