不同種植設(shè)施背景蔬菜作物無人機(jī)高光譜精細(xì)分類2.0

4、結(jié)果分析

4.3 不同分類方法比較與分析

4.3.1基于SVM方法的分類結(jié)果比較

在不同SVM分類方法中，由于其所采用的分類模型和輸入特征差異影響，分類結(jié)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(shù)將原始特征光譜空間投影到更加高維空間，以解決線性不可分問題，理論上應(yīng)該可以得到更好的分類結(jié)果。然而在本實驗中，SVM-RBF模型并沒有體現(xiàn)出更加強(qiáng)大的優(yōu)勢，反而在西瓜、水泥路面、裸土這些地物分類中表現(xiàn)出更差的分類結(jié)果。這有可能與訓(xùn)練樣本的數(shù)量和可分性密切相關(guān)，這些地物的樣本數(shù)量偏少，樣本空間即使投影到高維空間，也難以被區(qū)分開來。高光譜不同波段之間的強(qiáng)相關(guān)性以及信息冗余“Hughes現(xiàn)象”，主成分變換方法可以對原始光譜數(shù)據(jù)進(jìn)行降維，通過提取部分主成分分量進(jìn)行地物分類有可能在一定程度上提高分類模型的魯棒性。提取前k個主分量輸入到基于RBF核變換的SVM分類模型中，得到的分類結(jié)果精度與主成分分量個數(shù)之間的關(guān)系如圖5所示。

圖5 基于不同方法的作物分類結(jié)果

可以發(fā)現(xiàn)，當(dāng)主分量數(shù)量過少，會影響到分類精度，而隨著主分量數(shù)量的增加，分類精度會有所提升直到穩(wěn)定狀態(tài)，此時如果再增加主分量數(shù)量，分類精度反而會下降。

圖6 不同數(shù)量的主成分分類精度變化

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

表2 測試樣本的分類精度

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(guī)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(xùn)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(xiàn)良好，同時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型。

4.3.2基于深度學(xué)習(xí)方法的分類結(jié)果比較

針對高光譜遙感圖像高維非線性問題，深度學(xué)習(xí)方法具有較強(qiáng)的自主學(xué)習(xí)能力的優(yōu)勢，并且能夠解決復(fù)雜的多維非線性問題，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中表現(xiàn)出更強(qiáng)的魯棒性。

從分類結(jié)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精度，同時分類結(jié)果也剔除了大部分椒噪聲；基于深度學(xué)習(xí)方法的分類結(jié)果總體分類精度整體上比SVM方法提升了12.7%。3D-CNN模型基于整個高光譜立方體數(shù)據(jù)集，有效地提取了光譜—空間特征，并且不依賴于數(shù)據(jù)預(yù)處理方式或后期處理，能夠取得較好的效果，所有地物類型的分類精度均有很大的提升。引入注意力機(jī)制的AttentionCNN模型，可以讓模型忽略無關(guān)信息而更多地關(guān)注圖像中的高階光譜特征，從而提升圖像分類效果。從分類結(jié)果上來看，Attention-CNN模型與3D-CNN模型在總體分類精度OA、Kappa系數(shù)上并沒有體現(xiàn)出太多的差異，但是它的平均分類精度卻提升了3.7%，對于西瓜這類小樣本數(shù)量地物而言，其分類精度遠(yuǎn)超過其他方法。

4.4 不同覆蓋背景下蔬菜作物的分類結(jié)果

不同覆蓋背景會與作物產(chǎn)生光譜混合現(xiàn)象，特別是作物處于不同生長發(fā)育階段、葉面積覆蓋較小時，作物混合光譜效應(yīng)越明顯，混合光譜差異越大，從而影響作物的精細(xì)分類結(jié)果。水稻作物由于沒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(nèi)部同質(zhì)性高，因此在所有分類方法中水稻作物能夠很好地與蔬菜其他作物區(qū)分開來。辣椒包含地膜、大棚和防蟲網(wǎng)3種覆蓋背景，盡管總體上深度學(xué)習(xí)方法獲得了較好的分類結(jié)果，但是在不同覆蓋背景上的分類效果還是存在一定的差異。在3D-CNN模型的分類結(jié)果中，均會出現(xiàn)部分區(qū)域由于混合光譜影響而錯分為其他類型的現(xiàn)象，特別是在小尺度地塊分類結(jié)果中，3種覆蓋類型的部分地塊均出現(xiàn)了極端錯誤分類情形。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塊防蟲網(wǎng)覆蓋辣椒以及第三排第5、6塊地膜覆蓋辣椒均出現(xiàn)了極端錯誤分類情況；而在Attention-CNN模型辣椒分類結(jié)果中，僅第二排第12塊大棚覆蓋辣椒出現(xiàn)了極端錯誤現(xiàn)象，其他覆蓋背景的辣椒作物得到了較好的分類效果，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模型中分類效果較好，但防防蟲網(wǎng)覆蓋的絲瓜欠佳；Attention-CNN模型的分類效果與之相反。在小尺度地塊上，地膜和大棚覆蓋的茄子在Attention-CNN模型中均得到了較好的分類效果。

產(chǎn)生上述現(xiàn)象的原因在于不同覆蓋背景對訓(xùn)練集混合光譜的影響。在實驗區(qū)中，辣椒、茄子和絲瓜3種作物最為典型，均受了地膜、大棚及防蟲網(wǎng)覆蓋背景的影響。它們處在不同生長發(fā)育階段，其中辣椒處于初花期生長階段，葉片較為茂盛，植株長勢較好；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差異，這也給同種作物精細(xì)分類帶來較大挑戰(zhàn)。不同蔬菜作物受覆蓋物材質(zhì)、顏色以及作物生長物候等因素影響，其光譜曲線的變化會存在一定的不確定性。在將來的研究中，我們將圍繞不同地區(qū)常用地膜、大棚材質(zhì)、顏色開展更進(jìn)一步的高光譜成像實驗，深入分析其光譜、空間特征變化機(jī)理，闡明蔬菜作物設(shè)施覆蓋對其光譜的影響性。

五、結(jié)論

本研究以湖南省農(nóng)業(yè)科學(xué)研究院高橋科研基地為研究區(qū)，通過利用無人搭載高光譜傳感器獲取研究區(qū)的高光譜數(shù)據(jù)，采用當(dāng)前流行SVM機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法對研究區(qū)的蔬菜作物進(jìn)行了精細(xì)分類，經(jīng)過對分類結(jié)果比較和精度評價分析，不同的方法均能得到較好的效果，可為復(fù)雜背景下田間蔬菜作物無人機(jī)高光譜精細(xì)分類提供一定的技術(shù)支持。通過本次研究，可以得到以下結(jié)論：

（1）無人機(jī)高光譜遙感數(shù)據(jù)兼具高空間分辨率和高光譜分辨率的特點(diǎn)，在受到地膜、防鳥網(wǎng)、大棚覆蓋等復(fù)雜背景影響情況下，仍可有效地實現(xiàn)蔬菜作物高精度精細(xì)分類，可對區(qū)域蔬菜作物管理現(xiàn)代化、自動化和精細(xì)化提供有力支撐。

（2）基于SVM的不同分類方法可以得到較好的分類效果，但難以克服分類中的椒鹽噪聲影響；由于高光譜數(shù)據(jù)的高維度、信息冗余、非線性等特點(diǎn)，直接將原始高光譜特征輸入SVM分類器以及核變換分類器，效果不甚理想，但是通過選擇主成分降維后可以有效地提升分類效果，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(fù)雜、作物生長階段差異較大，空間紋理結(jié)構(gòu)特征的輸入并沒有取得理想的分類精度提升效果。

（3）基于深度學(xué)習(xí)的方法（1D-CNN除外）可以有效實現(xiàn)對復(fù)雜背景下的蔬菜作物分類；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義信息，分類結(jié)果中能有效地消除椒鹽噪聲，在蔬菜作物精細(xì)分類中表現(xiàn)出強(qiáng)大的優(yōu)勢；基于注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)（Attention-CNN）通過關(guān)注圖像中的光譜—空間特征信息，在分類精度上表現(xiàn)得更加平衡，對于西瓜這類小樣本數(shù)量地物而言，其分類精度遠(yuǎn)超過其他方法。

（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(xí)方法對其進(jìn)行精細(xì)分類?；?D-CNN模型有效地融合了光譜—空間結(jié)構(gòu)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(jī)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(xì)分類。由于蔬菜作物種植的特殊性和實驗基地的局限性，本研究獲取的數(shù)據(jù)較為有限，后續(xù)將通過深入研究不同覆蓋背景對蔬菜作物光譜信號的透過規(guī)律和影響機(jī)制，收集多個區(qū)域的高光譜航飛數(shù)據(jù)，進(jìn)一步分析研究蔬菜復(fù)雜覆蓋背景下的蔬菜作物種植結(jié)構(gòu)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(tǒng) iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫(yī)學(xué)醫(yī)療、精準(zhǔn)農(nóng)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)等性價比特點(diǎn)采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學(xué)設(shè)計，物鏡接口為標(biāo)準(zhǔn)C-Mount，可根據(jù)用戶需求更換物鏡。

審核編輯 黃宇