利用深度学习技术从高分辨率无人机图像中识别棕榈树

《Scientific Reports》：Detection of palm tree from high-resolution UAV images using deep learning technique

　　

摘要

棕榈树是沙特阿拉伯农业领域对国内生产总值贡献的重要作物。管理棕榈林需要耗费大量精力。对于那些使用灌溉和肥料且计划进一步种植棕榈树的农场而言，有必要通过审计流程来掌握所有棕榈树的情况。由于传统审计方式效率低下，因此需要一种更高效的方法。精准管理棕榈林的关键在于利用遥感图像精确绘制并统计每棵棕榈树的冠层情况。本文介绍了一种基于深度学习实例分割技术（掩码区域卷积神经网络；Mask R-CNN），利用高分辨率无人机影像来检测、绘制并量化棕榈树冠层的方法。在将获取的高分辨率图像分为训练集和验证集之前，首先会对这些图像进行裁剪处理，将其分解为较小的图像块。该模型在三个测试地点（S1、S2和S3）进行了性能评估，结果显示，模型的精确度在92.74%到97.22%之间，召回率在90.91%到96.67%之间，准确率在86.32%到94.27%之间，F1值则在0.92到0.97之间。除了准确率之外，本研究还详细介绍了实用的图像处理步骤（图像块划分/重叠处理、置信度筛选以及重复项去除），并以实地标定的棕榈树冠层多边形作为真实参考数据，同时通过不同地点的测试来评估该方法在类似拍摄条件下的适用性。实验结果表明，该方法能够在测试区域内高精度地检测棕榈树冠层，并在相似条件下通过无人机影像准确统计其数量；不过，若要实现更广泛的适用性，还需在植被密度更高或结构更为复杂的棕榈林、不同季节以及不同光照条件下进行进一步验证。