基于深度學習的農(nóng)作物受災區(qū)域檢測方法研究

摘要：農(nóng)作物容易受到自然災害影響，導致減產(chǎn)、絕產(chǎn)等后果，給糧食安全造成一定影響。為了對災后受災區(qū)域進行快速客觀準確的識別，本文基于DeepLab v3+網(wǎng)絡提出農(nóng)作物受災區(qū)域分割方法，采用MobileNet v2作為骨干模型，基于多種數(shù)據(jù)增強技術(shù)擴充數(shù)據(jù)集，并通過MobileNet v2、Xception_65和Xception_71三種特征提取網(wǎng)絡對比，發(fā)現(xiàn)MobileNet v2的識別準確率最高，識別速度最快，能實現(xiàn)實時分割效果。

關(guān)鍵詞：農(nóng)作物受災；深度學習；DeepLab v3+

引言

近年來，我國農(nóng)業(yè)快速發(fā)展，成為全球糧食生產(chǎn)的關(guān)鍵力量，然而，隨著全球氣候變化加劇，自然災害如洪水、干旱和臺風等對農(nóng)業(yè)造成的威脅愈發(fā)嚴重，頻繁發(fā)生的極端天氣事件導致糧食減產(chǎn)絕產(chǎn)等后果[1]。面對這些挑戰(zhàn)，我國出臺了許多政策，其中《中央財政農(nóng)業(yè)保險保費補貼管理辦法》[2]第三十七條提到：“鼓勵各省和承保機構(gòu)采取有效措施，加強防災減損工作”，可見國家對農(nóng)業(yè)保險領(lǐng)域?qū)嵤┻^程的重視。

隨著計算機技術(shù)發(fā)展，深度學習[3]在計算機視覺領(lǐng)域受到了研究人員廣泛關(guān)注，與傳統(tǒng)算法相比，深度學習方法的識別率、可靠性更高，同時基本解決了傳統(tǒng)方法的邊界問題。深度學習在圖像領(lǐng)域中的主要應用包括圖像識別和分類、目標檢測、圖像分割、圖像生成、圖像增強和恢復、姿態(tài)估計、視覺問答系統(tǒng)等。本文采用深度學習框架對農(nóng)作物受災區(qū)域進行圖像分割[4-5]，將深度學習技術(shù)應用于農(nóng)業(yè)實際問題[6-7]，提高對農(nóng)作物受災區(qū)域檢測的客觀性和可回溯性。

本文以玉米、大豆、水稻三種農(nóng)作物在受到自然災害如旱澇災、風災影響后的受災區(qū)域圖像作為研究對象，使用DeepLab v3+框架進行圖像分割，框架中分別使用MobileNet v2、Xception_65和Xception_71三種特征提取網(wǎng)絡進行對比實驗，研究DeepLab v3+框架在農(nóng)作物受災區(qū)域快速識別的可行性。

1. 數(shù)據(jù)與方法

1.1 數(shù)據(jù)采集及預處理

農(nóng)作物受災區(qū)域圖像數(shù)據(jù)來源于無人機在不同季節(jié)、不同地點、不同光照角度情況下拍照，共取得原始圖像數(shù)據(jù)642張。圖像數(shù)據(jù)集中包括11種圖像分割標簽，包括大豆倒伏、玉米倒伏、水稻倒伏、大豆缺苗、玉米缺苗、水稻缺苗、水溝、樹林、房屋建筑、道路、其他植物。本文是圖像分割實驗，除原數(shù)據(jù)集圖像外，還需要對原始圖像數(shù)據(jù)進行手動標注、生成標簽、合成掩碼圖。使用Labelme軟件標注、制作與生成分割標簽，通過Python自動化腳本生成7c88ea7e54ed20a3787ad9f314d613b6對應掩碼圖。

為防止網(wǎng)絡訓練出現(xiàn)過擬合現(xiàn)象，必須提供大量的訓練數(shù)據(jù)。但是，由于本實驗圖像數(shù)據(jù)無法在實驗室環(huán)境中簡單復現(xiàn)且收集難度較大，所以本文使用自動化隨機圖像增強技術(shù)對原始數(shù)據(jù)集和對應掩碼圖進行同步擴充，使用的數(shù)據(jù)增強技術(shù)主要包括旋轉(zhuǎn)、縮放、裁剪，最終得到3萬張圖片及對應掩碼圖。部分圖片及其掩碼圖如圖1所示。

1.2 PyTorch與環(huán)境搭建

PyTorch框架提供了靈活的API和豐富的預構(gòu)建組件，通過調(diào)用Python的torch標準庫中各種函數(shù)，實現(xiàn)不同功能。本實驗使用PyTorch框架實現(xiàn)了DeepLab v3+圖像分割框架，并通過封裝的方式將不同骨干網(wǎng)絡各自封裝成類。在train.py中可以指定訓練中的所有參數(shù)，包括預訓練模型路徑、是否使用Cuda、標簽種類、骨干模型、下采樣倍數(shù)、圖片輸入大小，指定后直接運行即可開始訓練。

深度學習是一種基于人工神經(jīng)網(wǎng)絡的機器學習技術(shù)，通過模擬人腦處理和分析大量數(shù)據(jù)的能力，來實現(xiàn)復雜任務的學習。這一過程需要大量計算資源，特別是在處理大規(guī)模數(shù)據(jù)集和復雜網(wǎng)絡結(jié)構(gòu)時，GPU（圖形處理單元）扮演了關(guān)鍵角色。與傳統(tǒng)的CPU相比，GPU具有更多的計算核心，能夠并行處理大量數(shù)據(jù)，特別適合進行深度學習訓練中的矩陣運算和大規(guī)模數(shù)據(jù)處理。GPU顯著加速了深度學習模型的訓練過程，使研究者和開發(fā)者能夠在更短的時間內(nèi)訓練出更復雜、性能更優(yōu)的模型，加快了深度學習技術(shù)的發(fā)展和應用。本實驗訓練的軟硬件配置如表1所示。

2. 結(jié)果與分析

本文使用的圖像分割框架DeepLab v3+網(wǎng)絡架構(gòu)如圖2所示，主要分為三個核心部分：深度卷積神經(jīng)網(wǎng)絡（骨干網(wǎng)絡）、ASPP（空洞）空間金字塔池化模塊、解碼器模塊。該模型在其編碼器部分繼承了DeepLab v3的設計，并通過加入空洞卷積和 ASPP模塊來增強對環(huán)境上下文的理解和捕捉能力。解碼器部分則采用了上采樣和特征融合技術(shù)，用于恢復圖像的分辨率和提升細節(jié)表現(xiàn)。通過這種編解碼機制和多尺度處理，DeepLab v3+旨在提升語義分割任務中的準確性和處理效率。

基于預處理和數(shù)據(jù)增強后的3萬張圖像數(shù)據(jù)集，使用DeepLab v3+框架，分別使用MobileNet v2、Xception_65和Xception_71三種特征提取網(wǎng)絡進行特征提取，使用預選函數(shù)的形狀調(diào)整學習率，初始學習率lr_min和lr_max分別為、0.07×e-3、7×e-3，圖像分割訓練過程中的損失函數(shù)如圖3所示。圖中50輪次出現(xiàn)波動是由于訓練機器的性能不足，為了在顯存小的情況下正常使用大的batch_size訓練，在訓練過程中的50輪次前凍結(jié)了主干網(wǎng)絡，只對網(wǎng)絡參數(shù)進行微調(diào)，50輪次開始恢復正常的batch_size，網(wǎng)絡的所有參數(shù)開始有比較大的改變。

利用驗證集對各個標簽類別對應顏色以及最終mIoU評估結(jié)果如表2所示，表中MIoU以玉米倒伏、水稻倒伏、大豆倒伏、水稻缺苗、玉米缺苗、大豆缺苗的IoU為依據(jù)計算得出。

根據(jù)表2中過濾分類極值后的評估結(jié)果，MobileNet v2作為骨干網(wǎng)絡的訓練評估結(jié)果MIoU，比Xception_65高3%，比Xception_71高14%，并且對于大部分分割類別同樣都有較明顯提升，說明MobileNet v2作為骨干網(wǎng)絡的泛化能力更強，并能夠準確識別出小目標。

3. 結(jié)論和展望

本文以深度學習為基礎，通過采集三種農(nóng)作物的受災區(qū)域圖像進行研究，采用DeepLab v3+圖像分割框架作為主體框架，分別使用MobileNet v2、Xception_65和Xception_71三種骨干網(wǎng)絡作為特征提取網(wǎng)絡，并進行對比實驗。通過訓練過程與評估結(jié)果的對比，得到結(jié)論為，基于DeepLab v3+框架的農(nóng)作物受災區(qū)域分析中，MobileNet v2作為骨干網(wǎng)絡時所有分類的MIoU都是最優(yōu)，且訓練分割速度也最快。由此可見，MobileNet v2的識別準確率最高，識別速度最快，能實現(xiàn)實時分割效果。

未來相關(guān)研究應當著重考慮以下幾個方面：

首先，研究更高效、更準確的算法，提高受災區(qū)域分析結(jié)果的準確性和效率。

其次，研究如何更好整合不同源的數(shù)據(jù)，如衛(wèi)星遙感源、地面監(jiān)測源，以提供更全面、更細致的災害評估。

最后，加強跨領(lǐng)域合作，如氣候科學、經(jīng)濟管理學，特別是農(nóng)學與信息技術(shù)相融合，以提高受災分析的預測能力、橫向評估能力。

參考文獻：

[1]曾小艷，郭興旭.氣候變化、農(nóng)業(yè)風險與天氣指數(shù)保險創(chuàng)新[J].農(nóng)村經(jīng)濟與科技，2017，28（15）：209-212.

[2]財政部關(guān)于印發(fā)《中央財政農(nóng)業(yè)保險保費補貼管理辦法》的通知（財金〔2021〕130號）[A/OL].（2021-12-31）[2024-06-03].https：//www.gov.cn/gongbao/content/2022/content_5683856.htm.

[3]周飛燕，金林鵬，董軍.卷積神經(jīng)網(wǎng)絡研究綜述[J].計算機學報，2017，40（6）： 1229-1251.

[4]黃鵬，鄭淇，梁超.圖像分割方法綜述[J].武漢大學學報（理學版），2020，66（6）： 519-531.

[5]王秋萍，張志祥，朱旭芳.圖像分割方法綜述[J].信息記錄材料，2019，20（7）：12-14.

[6]湯文靜.遙感技術(shù)在農(nóng)業(yè)領(lǐng)域的應用研究[J].中國農(nóng)業(yè)信息，2016（23）：112.

[7]鄭二功，田迎芳，陳濤.基于深度學習的無人機影像玉米倒伏區(qū)域提取[J].河南農(nóng)業(yè)科學，2018，47（8）：155-160.

作者簡介：曲錦旭，碩士研究生，研究實習員，研究方向：圖像處理。