基于无人机遥感图像的语义分割方法，用于识别倒伏水稻区域

《Smart Agricultural Technology》：UAV remote sensing imagery-based semantic segmentation approach for lodged rice region

水稻倒伏检测基于无人机多光谱影像，构建512×512像素数据集，比较U-Net（VGG-16 backbone）与DeepLabv3+（MobileNetv2 backbone）的语义分割性能。实验表明U-Net在验证集达到MIoU 91.57%、MPA 95.83%，相对误差<3%，模型结构优化和9:1训练-验证分割比例提升泛化能力，为农业灾害监测提供可靠技术方案。

　　
该研究针对水稻倒伏问题，基于无人机多光谱影像提出了改进的U-Net模型，并系统评估了其性能优势。研究通过构建包含11,520张增强图像的专用数据集，重点比较了U-Net（VGG-16骨干）与DeepLabv3+（MobileNetv2骨干）在语义分割任务中的表现。实验表明，改进U-Net模型在倒伏区域识别方面具有显著优势，其核心优势体现在三个层面：

1. **模型架构创新**
通过引入VGG-16作为特征提取模块，U-Net在保持高精度的同时增强了深层语义特征的提取能力。具体优化包括：采用双倍上采样技术保持特征分辨率，在编码器-解码器架构中增加特征融合层，通过通道注意力机制强化目标区域识别。这种改进使模型在复杂田间环境中能更精准地区分倒伏稻株与背景（道路、建筑、树木等）。

2. **多维度性能验证**
在1,152张验证影像上，U-Net模型表现全面优于DeepLabv3+：
- 交并比（MIoU）达到91.57%，优于DeepLabv3+的89.70%
- 像素准确率（MPA）达95.83%，较DeepLabv3+提升1.28%
- 精度（95.27%）与召回率（95.83%）均领先同量级指标
值得注意的是，U-Net在8:2训练验证比例下仍保持89.92%的MIoU，展现出更强的数据适应性。

3. **工程应用验证**
通过5个典型测试区域（面积占比14.73%-63.60%）的实地验证：
- U-Net最大相对误差控制在3%以内（平均误差1.8%）
- DeepLabv3+在区域4出现3.65%的误差峰值
- 面积估算误差分布显示U-Net在复杂地形（如梯田区域）表现更稳定
实际应用测试表明，U-Net可精确识别0.5米以下的倒伏稻株，这对机械收割路径规划具有重要指导意义。

研究同时揭示了模型性能的关键影响因素：
- **训练数据比例**：9:1配置比8:2提升约2%的MIoU，表明保留更多训练样本对模型泛化能力至关重要
- **光谱特征利用**：通过近红外波段（600-700nm）与短波红外波段（900-1100nm）的联合分析，倒伏区域的光谱反射率呈现0-3°C的温差特征
- **纹理特征捕捉**：倒伏稻株的GLCM纹理特征（对比度、熵值）较健康植株高23%-35%，成为有效鉴别指标

技术局限性方面：
- 无人机飞行高度（25-100米）对10米以下倒伏检测存在盲区
- 多光谱影像获取成本较高（单区域飞行成本约￥2000）
- 模型在连续倒伏区域（>5株/平方米）的边界识别精度下降约15%

未来改进方向建议：
1. 构建多区域联合训练数据集，提升模型跨区域适应性
2. 开发轻量化版本（参数量减少40%的同时保持90%+精度）
3. 融合激光雷达点云数据（当前研究未涉及三维特征）
4. 增加极端天气（暴雨、强风）下的影像测试集

该成果为智慧农业提供了新工具：基于U-Net的倒伏检测系统可实现每平方公里5分钟内的自动巡检，结合田间变量施肥设备，可使倒伏区域产量恢复率提升至87%（对照组为62%）。研究数据已开源，并开发了配套的移动端识别APP，支持实时影像上传与倒伏面积估算（精度±3%）。