不同種植設施背景蔬菜作物無(wú)人機高光譜精細分類(lèi)2.0

4、結果分析

4.3 不同分類(lèi)方法比較與分析

4.3.1基于SVM方法的分類(lèi)結果比較

在不同SVM分類(lèi)方法中，由于其所采用的分類(lèi)模型和輸入特征差異影響，分類(lèi)結果也存在較大差異。相較于SVM-Linear方法，SVM-RBF模型采用RBF核函數將原始特征光譜空間投影到更加高維空間，以解決線(xiàn)性不可分問(wèn)題，理論上應該可以得到更好的分類(lèi)結果。然而在本實(shí)驗中，SVM-RBF模型并沒(méi)有體現出更加強大的優(yōu)勢，反而在西瓜、水泥路面、裸土這些地物分類(lèi)中表現出更差的分類(lèi)結果。這有可能與訓練樣本的數量和可分性密切相關(guān)，這些地物的樣本數量偏少，樣本空間即使投影到高維空間，也難以被區分開(kāi)來(lái)。高光譜不同波段之間的強相關(guān)性以及信息冗余“Hughes現象”，主成分變換方法可以對原始光譜數據進(jìn)行降維，通過(guò)提取部分主成分分量進(jìn)行地物分類(lèi)有可能在一定程度上提高分類(lèi)模型的魯棒性。提取前k個(gè)主分量輸入到基于RBF核變換的SVM分類(lèi)模型中，得到的分類(lèi)結果精度與主成分分量個(gè)數之間的關(guān)系如圖5所示。

圖5 基于不同方法的作物分類(lèi)結果

可以發(fā)現，當主分量數量過(guò)少，會(huì )影響到分類(lèi)精度，而隨著(zhù)主分量數量的增加，分類(lèi)精度會(huì )有所提升直到穩定狀態(tài)，此時(shí)如果再增加主分量數量，分類(lèi)精度反而會(huì )下降。

圖6 不同數量的主成分分類(lèi)精度變化

從圖6可以看出，取前15個(gè)主成分分量能夠達到較好的分類(lèi)結果，此15個(gè)主成分占原圖像信息含量為99.92%，所有地物的平均分類(lèi)精度為83.15%，僅裸土的分類(lèi)精度較低。如果在此基礎上再加入灰度共生矩陣的紋理特征，即SVM-RBF-PCAGLCM模型。一般來(lái)說(shuō)，將高空間分辨率圖像的空間紋理特征輸入到分類(lèi)器中有助于提高圖像分類(lèi)精度。但對于本研究而言，它并沒(méi)有獲得理想效果，這是因為本研究區地表覆蓋類(lèi)型十分復雜、作物的生長(cháng)階段也不一致，多數地物并沒(méi)有體現出有規律的空間紋理特征所致。

表2 測試樣本的分類(lèi)精度

但是從表2也可以看出，對于大面積分布、有一定空間紋理規律的地物，SVM-RBF-PCA-GLCM模型能夠得到較好的效果，如絲瓜、水稻、鐵皮廠(chǎng)房、南瓜、黃瓜。相較于本文其他SVM方法，采用空間后處理技術(shù)的SVM-ERW方法考慮了相鄰像素之間的空間相關(guān)性以及訓練樣本和測試樣本之間的連通性，在消除“椒鹽”噪聲方面表現良好，同時(shí)在整體精度上展示出較好的性能，但是該方法容易將作物間的其他地物類(lèi)型劃分為相同作物，比如其中的水泥路面、裸土和其他，多被錯誤劃分成鄰近作物類(lèi)型。

4.3.2基于深度學(xué)習方法的分類(lèi)結果比較

針對高光譜遙感圖像高維非線(xiàn)性問(wèn)題，深度學(xué)習方法具有較強的自主學(xué)習能力的優(yōu)勢，并且能夠解決復雜的多維非線(xiàn)性問(wèn)題，可以從原始圖像中提取各層次特征，從而在高光譜圖像分類(lèi)中表現出更強的魯棒性。

從分類(lèi)結果上看出，3DCNN模型與Attention-CNN模型由于融合了圖像光譜—空間信息，極大地提升了高光譜圖像分類(lèi)精度，同時(shí)分類(lèi)結果也剔除了大部分椒噪聲；基于深度學(xué)習方法的分類(lèi)結果總體分類(lèi)精度整體上比SVM方法提升了12.7%。3D-CNN模型基于整個(gè)高光譜立方體數據集，有效地提取了光譜—空間特征，并且不依賴(lài)于數據預處理方式或后期處理，能夠取得較好的效果，所有地物類(lèi)型的分類(lèi)精度均有很大的提升。引入注意力機制的AttentionCNN模型，可以讓模型忽略無(wú)關(guān)信息而更多地關(guān)注圖像中的高階光譜特征，從而提升圖像分類(lèi)效果。從分類(lèi)結果上來(lái)看，Attention-CNN模型與3D-CNN模型在總體分類(lèi)精度OA、Kappa系數上并沒(méi)有體現出太多的差異，但是它的平均分類(lèi)精度卻提升了3.7%，對于西瓜這類(lèi)小樣本數量地物而言，其分類(lèi)精度遠超過(guò)其他方法。

4.4 不同覆蓋背景下蔬菜作物的分類(lèi)結果

不同覆蓋背景會(huì )與作物產(chǎn)生光譜混合現象，特別是作物處于不同生長(cháng)發(fā)育階段、葉面積覆蓋較小時(shí)，作物混合光譜效應越明顯，混合光譜差異越大，從而影響作物的精細分類(lèi)結果。水稻作物由于沒(méi)有覆蓋背景影響且葉面積覆蓋較大，其光譜特征明顯、作物內部同質(zhì)性高，因此在所有分類(lèi)方法中水稻作物能夠很好地與蔬菜其他作物區分開(kāi)來(lái)。辣椒包含地膜、大棚和防蟲(chóng)網(wǎng)3種覆蓋背景，盡管總體上深度學(xué)習方法獲得了較好的分類(lèi)結果，但是在不同覆蓋背景上的分類(lèi)效果還是存在一定的差異。在3D-CNN模型的分類(lèi)結果中，均會(huì )出現部分區域由于混合光譜影響而錯分為其他類(lèi)型的現象，特別是在小尺度地塊分類(lèi)結果中，3種覆蓋類(lèi)型的部分地塊均出現了極端錯誤分類(lèi)情形。例如第二排小尺度地塊中的左起第12塊大棚覆蓋辣椒、第23塊防蟲(chóng)網(wǎng)覆蓋辣椒以及第三排第5、6塊地膜覆蓋辣椒均出現了極端錯誤分類(lèi)情況；而在A(yíng)ttention-CNN模型辣椒分類(lèi)結果中，僅第二排第12塊大棚覆蓋辣椒出現了極端錯誤現象，其他覆蓋背景的辣椒作物得到了較好的分類(lèi)效果，但是大尺度地塊上地膜覆蓋辣椒除外。地膜覆蓋的絲瓜在3D-CNN模型中分類(lèi)效果較好，但防防蟲(chóng)網(wǎng)覆蓋的絲瓜欠佳；Attention-CNN模型的分類(lèi)效果與之相反。在小尺度地塊上，地膜和大棚覆蓋的茄子在A(yíng)ttention-CNN模型中均得到了較好的分類(lèi)效果。

產(chǎn)生上述現象的原因在于不同覆蓋背景對訓練集混合光譜的影響。在實(shí)驗區中，辣椒、茄子和絲瓜3種作物最為典型，均受了地膜、大棚及防蟲(chóng)網(wǎng)覆蓋背景的影響。它們處在不同生長(cháng)發(fā)育階段，其中辣椒處于初花期生長(cháng)階段，葉片較為茂盛，植株長(cháng)勢較好；茄子處于移栽期，葉片較小，植株整體偏??；絲瓜處于盛果期，葉片茂密，整體植株覆蓋面積大。這3種作物在不同覆蓋背景下的作物光譜如圖7所示。

圖7不同覆蓋背景下蔬菜作物光譜

從圖7中可以看出，不同覆蓋背景下的作物光譜有顯著(zhù)差異，這也給同種作物精細分類(lèi)帶來(lái)較大挑戰。不同蔬菜作物受覆蓋物材質(zhì)、顏色以及作物生長(cháng)物候等因素影響，其光譜曲線(xiàn)的變化會(huì )存在一定的不確定性。在將來(lái)的研究中，我們將圍繞不同地區常用地膜、大棚材質(zhì)、顏色開(kāi)展更進(jìn)一步的高光譜成像實(shí)驗，深入分析其光譜、空間特征變化機理，闡明蔬菜作物設施覆蓋對其光譜的影響性。

五、結論

本研究以湖南省農業(yè)科學(xué)研究院高橋科研基地為研究區，通過(guò)利用無(wú)人搭載高光譜傳感器獲取研究區的高光譜數據，采用當前流行SVM機器學(xué)習方法和深度學(xué)習方法對研究區的蔬菜作物進(jìn)行了精細分類(lèi)，經(jīng)過(guò)對分類(lèi)結果比較和精度評價(jià)分析，不同的方法均能得到較好的效果，可為復雜背景下田間蔬菜作物無(wú)人機高光譜精細分類(lèi)提供一定的技術(shù)支持。通過(guò)本次研究，可以得到以下結論：

（1）無(wú)人機高光譜遙感數據兼具高空間分辨率和高光譜分辨率的特點(diǎn)，在受到地膜、防鳥(niǎo)網(wǎng)、大棚覆蓋等復雜背景影響情況下，仍可有效地實(shí)現蔬菜作物高精度精細分類(lèi)，可對區域蔬菜作物管理現代化、自動(dòng)化和精細化提供有力支撐。

（2）基于SVM的不同分類(lèi)方法可以得到較好的分類(lèi)效果，但難以克服分類(lèi)中的椒鹽噪聲影響；由于高光譜數據的高維度、信息冗余、非線(xiàn)性等特點(diǎn)，直接將原始高光譜特征輸入SVM分類(lèi)器以及核變換分類(lèi)器，效果不甚理想，但是通過(guò)選擇主成分降維后可以有效地提升分類(lèi)效果，但是效果有限；鑒于本研究不同蔬菜作物的種植背景較為復雜、作物生長(cháng)階段差異較大，空間紋理結構特征的輸入并沒(méi)有取得理想的分類(lèi)精度提升效果。

（3）基于深度學(xué)習的方法（1D-CNN除外）可以有效實(shí)現對復雜背景下的蔬菜作物分類(lèi)；三維卷積神經(jīng)網(wǎng)絡(luò )（3D-CNN）能夠有效地提取高光譜圖像中的光譜—空間特征，并從中挖掘深層次的高級語(yǔ)義信息，分類(lèi)結果中能有效地消除椒鹽噪聲，在蔬菜作物精細分類(lèi)中表現出強大的優(yōu)勢；基于注意力機制的卷積神經(jīng)網(wǎng)絡(luò )（Attention-CNN）通過(guò)關(guān)注圖像中的光譜—空間特征信息，在分類(lèi)精度上表現得更加平衡，對于西瓜這類(lèi)小樣本數量地物而言，其分類(lèi)精度遠超過(guò)其他方法。

（4）蔬菜作物在大尺度地塊上空間紋理特征明顯，而在小地塊尺度上差異較大，宜采用不同深度學(xué)習方法對其進(jìn)行精細分類(lèi)?；?D-CNN模型有效地融合了光譜—空間結構特征，更加適合提取大地塊尺度上的蔬菜作物；Attention-CNN模型引入注意力機制，聚焦高階光譜特征和局部鄰域信息，更加適合小尺度地塊作物的精細分類(lèi)。由于蔬菜作物種植的特殊性和實(shí)驗基地的局限性，本研究獲取的數據較為有限，后續將通過(guò)深入研究不同覆蓋背景對蔬菜作物光譜信號的透過(guò)規律和影響機制，收集多個(gè)區域的高光譜航飛數據，進(jìn)一步分析研究蔬菜復雜覆蓋背景下的蔬菜作物種植結構信息高光譜遙感探測能力及精度。

推薦：

便攜式高光譜成像系統 iSpecHyper-VS1000

專(zhuān)門(mén)用于公安刑偵、物證鑒定、醫學(xué)醫療、精準農業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品，主要優(yōu)勢具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性?xún)r(jià)比特點(diǎn)采用了透射光柵內推掃原理高光譜成像，系統集成高性能數據采集與分析處理系統，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學(xué)設計，物鏡接口為標準C-Mount，可根據用戶(hù)需求更換物鏡。

審核編輯 黃宇