深度学习和迁移学习应用识别麦田倒伏面积.docx

智慧农业科研，深度学习和迁移学习应用，识别麦田倒伏面积在小麦扬花灌浆期，土壤中的养分供应非常重要。因此，及时施肥是保证小麦生长的关键。一般来说，施肥时间应该在小麦扬花开始期时进行。一般选择氮、磷、钾等多种元素的肥料进行施用，以保证小麦的健康生长。基于深度学习语义分割和迁移学习策略麦田倒伏面积识别方法小麦扬花灌浆期对水分的需求量非常大，但是过量的灌溉也容易导致小麦发生根腐病或者其他水害。因此，在小麦扬花灌浆期，适当控制水分非常重要。一般来应该根据实际情况，灵活掌握灌溉的时间和量，以保证说，在小麦扬花灌浆期, 小麦的生长和发育。(a-D野城研究区现场(a2)仔城研克区测绘田(b2)郭河研究区测绘IB。2白湖研克区测绘困利用低空无人机技术，并结合深度学习语义分割模型精准提取作物倒伏区域是一种高效的倒伏灾害监测手段。在实际应用中，受田间各种客观条件（不同无人机飞行高度低于120m、多个研究区、关键生育期不同天气状况等）限制，无人机获取的图像数量仍偏少，难以满足高精度深度学习模型训练的要求。安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心与西北农林科技大学机械与电子工程学院、宿州学院信息工程学院，组成了胡根生教授团队展开了研究，旨在探索一种在作物生育期和研究区有限的情况下精准提取倒伏面积的方法。(a)对黑模型分制40m图像(b)*T黑蟆型分期80 m图像(C)M合裆练揍型分割40 m图像(d)3t台训练爆型分割80 m图像(e)迂移学习梭老分840m图像(力迂移学习操型分拆80 m图像以健康/倒伏小麦为研究对象，在其灌浆期和成熟期开展麦田图像采集工作。设置2个飞行高度(40和80m),采集并拼接获取2019、2020、2021和2023年份3个研究区的数字正射影像图;在Swin-Transformer深度学习语义分割框架基础上,分别使用40m训练集单独训练、40和80m训练集混合训练、40m训练集预训练80m训练集迁移学习等3种训练方法，获得对照模型、混合训练模型和迁移学习模型;采用对比实验比较上述3种模型分割80m高度预测集图像的精度并评估模型性能。模型飞行育度An研究区交并比/%正确率/%精确率7%"回率伙Fl-Scorc%算法速度/(fk')舒城86.78972190.8094.6592.61O.5540郭河81.0390.1589.1589.8189.450.0122对照模型向湖90.4797.1994.4095.3894.880.0064舒城82.4096.5390.2089.2489.720.022880郭河75.4086.6885.0288.6985.880.0504门湖88.7496.7095.4392.4793.870.0265籽城84.3496.4587.7595.3291.060.005340郭河80.1189.8489.5288.3388.860.0118混合训练模也白沏88.6496.4791.7696.2893.820.0061舒城84.3596.7989.2993.0091.040.023180郭河81.8490.7588.9591.5389.940.0525口湖89.6196.9495.3493.5094.390.0267舒城84.2996.4087.4295.8091.030.005740郛河81.1690.4990.5688.7289.510.0124迁移学习模皇白湖88.3696.3691.4896.3093.660.0066舒城83.7296.6889.3392.0390.620.022780郭河82.7191.3289.6691.5690.460.0511门湖89.6896.9394.9093.9794.430.0264迁移学习模型倒伏面积提取精度最高，交并比、正确率、精确率、召回率和Fl-Score共5个指标平均数分别为85.37%、94.98%、91.30%、92.52%和91.84%,高于对照组模型1.08%3.19%,平均加权帧率达到738.35fpsm2,高于40m图像183.12fpsm2o利用低飞行高度(4Om)预训练语义分割模型，在较高飞行高度(8Om)空图像做迁移学习的方法提取倒伏小麦面积是可行的，这为解决空域飞行高度限制下，较少80m及以上图像数据集无法满足语义分割模型训练的要求的问题,提供了一种有效的方法。