买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：安徽大学

摘要：本发明涉及一种基于DeeplabV3+和Unet网络架构的无人机小麦倒伏影像分割方法，包括：利用无人机获取田间小麦种植区域的可见光遥感RGB影像进行预处理；基于DeeplabV3+与UNet结构网络构建小麦倒伏分割模型；将预处理后的无人机遥感RGB影像作为训练样本输入到小麦倒伏分割模型进行训练；获取待分割小麦倒伏区域影像，并进行预处理；将预处理后的待分割小麦倒伏区域影像输入小麦倒伏分割网络模型中，得到小麦作物倒伏区域图片的分割结果。本发明提高语义分割效果，有利于小麦倒伏分割提取任务；将主干特征提取网络各阶段输出结果与编码输出特征进行特征信息融合重建，逐步完善分割模型在不同尺度重建过程中的细节融合，从而提高小麦倒伏区域的分割精度。

主权项：1.一种基于DeeplabV3+和Unet网络架构的无人机小麦倒伏影像分割方法，其特征在于：该方法包括下列顺序的步骤：1利用无人机获取田间小麦种植区域的可见光遥感RGB影像进行预处理，得到预处理后的无人机遥感RGB影像；2基于DeeplabV3+与UNet结构网络构建小麦倒伏分割模型，所述小麦倒伏分割模型包括主干特征提取网络、多尺度混合分组金字塔池化模块、编解码特征融合模块；主干特征提取网络输出初始特征FE1、第二特征图FE2、第三特征图FE3、第四特征图FE4、第五特征图FE5；多尺度混合分组金字塔池化模块输出特征图FE；编解码特征融合模块输出特征图FED；3将预处理后的无人机遥感RGB影像作为训练样本输入到小麦倒伏分割模型进行训练；4获取待分割小麦倒伏区域影像，并进行预处理；5将预处理后的待分割小麦倒伏区域影像输入训练后的小麦倒伏分割网络模型中，得到小麦作物倒伏区域图片的分割结果；在步骤2中，所述主干特征提取网络包括第一模块、第二模块、第三模块、第四模块和第五模块；所述第一模块由步长为2、大小为3×3的32组卷积核构成，设定输入一张512×512×3的原始影像I，经过第一模块进行初始特征提取，随后利用BN批归一化和ReLU激活处理，获得初始特征FE1：FE1＝ReLUBNConv2I第二模块由混合可分离分组卷积、卷积核为1×1的卷积核函数和堆叠融合模块组成，混合可分离分组卷积由混合分组卷积和深度可分离卷积组成，混合可分离分组卷积的卷积核大小为3、5、7、9，步长为2，混合可分离分组卷积的输入特征被均分为四组，每组分别经过不同大小的卷积核的深度可分离卷积处理后，再经过堆叠融合模块堆叠成包含192个通道、大小为128×128×192的特征图；随后，经过一个1×1×32的卷积核将通道降维至32通道且深度可分离卷积后使用BN批归一化和ReLU激活处理，得到大小为128×128×32的第二特征图FE2： 式中，H和W分别表示原始影像I的高和宽，C代表原始影像I的通道数；第三模块由混合可分离分组卷积、通道特征金字塔和堆叠融合模块组成，第二特征图FE2与原始影像I的14跳越连接，原始影像I的14是通过将原始影像I进行平均池化获得，再进行特征融合堆叠，堆叠后经过BN批归一化和ReLU激活处理，得到处理后的特征；随后，处理后的特征输入到混合可分离分组卷积中进行处理，利用通道特征金字塔进行处理，通道特征金字塔的膨胀率因子为2，获取大小为64×64×64的第三特征图FE3：FE3＝CFPMixDSCReLUBNConcatFE2，AvgPool14i，rat＝[2]第四模块由混合可分离分组卷积、通道特征金字塔和堆叠融合模块组成，第三特征图FE3与原始影像I的18跳越连接，原始影像I的18是通过将原始影像I进行平均池化获得，再进行特征融合堆叠，堆叠后经过BN批归一化和ReLU激活处理，得到处理后的特征；随后，处理后的特征输入到混合可分离分组卷积中进行处理，经过三次连续的通道特征金字塔进行处理，三次连续的通道特征金字塔的膨胀率因子分别为4、4、8，获取大小为32×32×128的第四特征图FE4：FE4＝CFPMixDSCReLUBNConcatFE3，AvgPool18I，rat第五模块由两个不同核数量的深度可分离卷积、1×1的卷积核函数和堆叠融合模块构成；第四特征图FE4与原始影像I的116跳越连接，原始影像I的116是通过将原始影像I进行平均池化获得，再进行特征融合堆叠，堆叠后经过BN批归一化和ReLU激活处理，获得融合原始影像I的特征图；利用卷积核为3×3、步长为1的深度可分离卷积对融合原始影像I的特征图进行维度提升，随后，再次使用卷积核为3×3、步长为1深度可分离卷积进行卷积，在前一次的基础上增加特征的层数至512；最后，使用1×1卷积操作进行降维处理，得到大小为32×32×256的第五特征图FE5：FE5＝Conv2DSC3DSC3ReLUBNConcatFE4，Avgpool18I；在步骤2中，所述多尺度混合分组金字塔池化模块由通道注意力机制模块、混合深度可分离分组卷积和1×1卷积组成，将第五特征图FE5作为多尺度混合分组金字塔池化模块的输入，第五特征图FE5经过通道注意力机制模块获得特征图F1，第五特征图FE5经过混合深度可分离分组卷积获得特征图F2，第五特征图FE5经过1×1卷积获得特征图F3，具体是指：通道注意力机制模块将大小为W×H×C的第五特征图FE5作为输入，H和W分别表示原始影像I的高和宽，C代表原始影像I的通道数，经过全局平均池化得到特征图F41×1×C，特征图F41×1×C通过1×1卷积降维后利用ReLU激活处理获得特征图F5，特征图F5经过1×1卷积升维后利用Sigmoid激活处理获得特征图F6；随后，特征图F6经过重塑形状放缩至与第五特征图FE5相同的维度，得到特征图F61，特征图F61与第五特征图FE5进行逐像素乘法运算获得特征图F7，特征图F7与第五特征图FE5进行逐像素相加获得最终的特征图F1： 混合深度可分离分组卷积将第五特征图FE5的通道平均分为四组，分别利用大小为3、6、9、12的卷积核对通道数量相同的每组数据进行深度可分离卷积运算，对每组得到的新特征进行堆叠融合得到特征图F2： 将第五特征图FE5通过1×1卷积处理后获得特征图F3：F3FE5＝Conv2FE5特征图F1、特征图F2、特征图F3通过堆叠融合模块进行堆叠融合获得特征图F123；将特征图F123输入1×1卷积中进行通道降维处理，最终得到32×32×128的特征图FE：FE＝Conv2Concat[F1，F2，F3]＝Conv2F123；在步骤2中，所述编解码特征融合模块包括位置注意力机制模块、上采样模块、核大小为3×3、1×1的卷积模块和堆叠融合模块；将初始特征FE1、第二特征图FE2、第三特征图FE3、第四特征图FE4分别输入位置注意力机制模块，得到特征图FE11，FE21，FE31，FE41；通过上采样模块将特征图FE进行图像高度和宽度的调整，利用1×1的卷积模块改变特征图FE的通道数，获取特征图FEA；随后，利用特征图FE41与特征图FEA进行堆叠融合，得到融合后的特征图FEA4，融合后的特征图FEA4经过两次不同核大小的3×3卷积模块获取特征图FEA41；将特征图FEA41作为编解码特征融合模块第二次重构过程的输入特征，同样进行图像高度和宽度的调整，利用1×1的卷积模块改变特征图FE的通道数，获取特征图FEB；随后，利用特征图FE31与特征图FEB进行堆叠融合，得到融合后的特征图FEB3，融合后的特征图FEB3经过两次不同核大小的3×3卷积模块获取特征图FEB31；将特征图FEB31作为编解码特征融合模块第三次重构过程的输入特征，同样进行图像高度和宽度的调整，利用1×1的卷积模块改变特征图FEB31的通道数，获取特征图FEC；随后，利用特征图FE21与特征图FEC进行堆叠融合，得到融合后的特征图FEC2，融合后的特征图FEC2经过两次不同核大小的3×3卷积模块获取特征图FEC21；将特征图FEC21作为编解码特征融合模块第四次重构过程的输入特征，同样进行图像高度和宽度的调整，利用1×1的卷积模块改变特征图FEC21的通道数，获取特征图FED1；随后，利用特征图FE11与特征图FED1进行堆叠融合，得到融合后的特征图FED11，融合后的特征图FED11经过两次不同核大小的3×3卷积模块获取特征图FED；将获得的特征图FED利用1×1卷积进行通道降维，通过上采样模块将特征图重塑形状到与原始影像I相同的尺寸大小，最终获得预测倒伏区域分割结果Predicted_GT；FED＝EDFFFE，FE4，FE3，FE2，FE1Predicted_GT＝UpsampleCovn2FED。

全文数据：

权利要求：

百度查询： 安徽大学 基于DeeplabV3+和Unet网络架构的无人机小麦倒伏影像分割方法