基于深度学习的冬小麦空间分布提取方法研究

摘要： 准确的冬小麦空间分布数据对于政府相关部门指导农业生产、优化产业结构具有重要意义。本文针对从高分辨率遥感影像上获取冬小麦空间分布数据的需要，建立了一种基于卷积神经网络的高效语义分割模型（Dense-UCoordNet），用于获取高精度冬小麦空间分布信息。Dense-U-Coord Net 模型以DenseNet 为骨干网络建立了一种“U”型网络结构，利用密集连接的方式实现不同层次特征的融合；以坐标注意力机制（coordinate attention）和OCR 模块（object-contextual representations）为基础建立了一种多维度特征注意力机制，用于根据上下文信息以及空间位置信息对通过融合生成的特征进行优化，以提高模型生成一致性特征的能力。Dense-U-Coord Net 使用Softmax 作为分类器实现图像分割，提取出冬小麦空间分布数据。选择河北省邯郸市馆陶县为研究区，GF-6PMS（Gaofen-6 Panchromatic andMultispectral Scanner）遥感影像为数据源，选择SVM、U-Net、ERFNet和RefineNet 模型作为对比模型开展对比实验。实验结果表明，Dense-U-Coord Net 模型的查准率Precision（92.5%）、查全率Recall （93.4%）、平均像素精度MPA（94.2%）、和MIou指数（91.7%）均优于对比模型，证明了Dense-U-Coord Net 在提取冬小麦空间分布信息方面具有优势。本文提出的方法能够为现代农业提供基础数据。

关键词： 冬小麦；人工神经网络；遥感图像处理；注意力模型；图像分割

中图法分类号： TP751.1 文献标识码： A 文章编号： 1000-2324（2024）06-0914-11

冬小麦是我国重要的粮食作物之一，其精确的空间分布信息是进行粮食估产和农业管理的重要数据，对于优化农业资源分配具有重要的意义［1］。当前，结合遥感信息技术，如何利用高分辨率遥感影像快速、准确地获取冬小麦空间分布信息数据已经成为目前需要迫切解决的问题。

与中低分辨率遥感影像相比，高分辨率遥感影像包含更丰富的细节信息［2］，为精细化提取冬小麦空间分布信息的研究提供了重要数据基础，具有广阔的应用研究价值。然而，高分辨率影像中的大量复杂特征导致信息的获取更具挑战性。在遥感影像处理领域，图像像素特征提取技术是影像分析和信息提取的关键，但是由于高分辨率影像中“同物异谱”及“同谱异物”现象更为普遍，导致传统的应用光谱指数特征的提取方法如植被指数［3］、水体指数［4］、NDVI 指数及其衍生指数［5-7］等，仅依靠特征差异性难以提取出高区分度的特征，导致逐像素分割精度较低，限制了光谱指数方法在高分辨率遥感影像中的应用。

相比于光谱指数特征，纹理特征能够更有效地表达像素在空间上的关系。基于此，研究者们提出了一些基于纹理特征的提取方法，如灰度共生矩阵［8-10］、小波变换［11］等，可以提取出区分度较高的特征，提高逐像素分割精度，推动农作物精细化提取领域的发展。但是随着遥感技术的不断发展和影像分辨率的不断提升，传统的基于光谱指数和纹理特征的提取方法已难以有效捕捉影像中愈发复杂的细节信息。

随着机器学习的发展，研究者们开始将随机森林［12-14］和支持向量机［15-17］等算法应用于特征提取技术。通过将像素的光谱信息输入到模型，经过复杂的数学计算提取理想特征。这些方法虽然能够有效地探索不同通道间的相互关系并捕获关键的特征信息，但这些特征主要描述单个像素的属性，并未涵盖像素之间的空间关系。这一局限性限制了这些方法在高分辨率遥感图像处理领域中的广泛应用。

近年来，卷积神经网络（CNN）凭借强大的特征学习和提取能力，在图像处理领域取得了显著成就。与上述方法相比，CNN不仅能够捕捉像素本身的特征，还能有效建模像素之间的空间关系，在高分辨率遥感影像上实现了较高精度的像素级图像分割［18-22］。目前应用较为广泛的图像分割模型包括FCN［23］、SegNet［24-26］、UNet［27-29］、ERFNet［30，31］、RefineNet［32］等。FCN通过卷积层替代传统卷积神经网络的全连接层，消除了输入尺寸的固定限制；SegNet 和U-Net 采用对称式的网络结构，能够在分割任务中有效提取高级语义特征；ERFNet引入残差学习，跳过部分网络层，实现轻量化设计；RefineNet 通过多尺度融合策略，较好地解决了深层卷积网络中语义特征粗糙的问题。

然而，这些CNN模型在处理高分辨率影像时，通常依赖图像缩放来提取语义特征，导致部分有效细节信息丢失，影响遥感影像信息的准确性。此外，这些模型大多仅基于像素间的关系或仅从像素角度预测类别标签，因而在捕捉分割物体整体语义信息和边缘细节特征上存在局限。为实现更为精确的语义分割，研究者们采用了注意力机制［33］、边缘优化损失函数［34］和条件随机场［35］等方法进行特征增强，以提升模型在整体语义信息和边缘细节特征方面的综合识别能力。

基于以上分析，本文以精细化提取高分六号遥感影像中的冬小麦空间分布信息为目标，针对CNN下采样过程因图像缩放导致部分有效信息丢失和细节特征提取能力不足的问题，建立了一种基于密集卷积神经网络DenseNet［36，37］的“U”型对称网络模型Dense-U-Coord Net。该模型利用DenseNet 的特征复用，实现特征高效传递。同时，本研究通过融合坐标注意力机制与OCR模块［38］，提出了一种多维度特征注意力机制，整合上下文信息，并动态优化网络对冬小麦地块边缘与内部区域的关注，进一步提高分割精度。

1 数据获取与处理

1.1 研究区概况

本文的研究区为河北省邯郸市馆陶县，如图1所示。馆陶县位于河北省南部，东经115°20′-115° 46′ ，北纬36° 27′-36° 44′ 之间，总面积约456 km2，其中耕地面积7 200 hm2。属暖温带半干旱半湿润的大陆性季风气候，四季分明，光照充足。馆陶县属掩埋古河道的壤质土冲积平原，地势西南高，东北低，土壤肥沃，以黄土和淤土为主，是重要的冬小麦生产区，以馆陶县作为研究区具有代表性。

1.2 数据及预处理

本研究以高分六号PMS 遥感影像为数据源。高分六号（GF-6）遥感卫星是我国自主研发的高性能光学遥感卫星，主要用于农业资源调查、灾害监测和环境保护等领域。其搭载了包括具有2 米全色/8 米多光谱分辨率的多光谱相机，以及16 米分辨率的宽幅相机等高精度摄像装备，能够捕捉地表细节信息，为地表观测提供了更加细致和准确的数据支持。

冬小麦普遍于9 月份中上旬至10 月份上旬播种，次年5 月底至6 月中旬收获。选用高分六号PMS遥感影像传感器2022 年4 月18 日河北省邯郸市馆陶县的多光谱影像及全色影像作为数据源。利用开源的图像处理工具包大气校正、辐射定标、正射校正和融合等预处理操作后，得到的影像数据包括红、绿、蓝、近红外波段共四个波段，空间分辨率为2 m。

将原始图像裁剪成512×512 像素的图像块，使用目视解译的方式勾画矢量数据，包含冬小麦地块和非冬小麦地块两类，分别用代码1 和0 表示其编号，原始图像和标记图像一一对应。最后对数据集进行划分，最终得到1 050 组训练集，300 组测试集，150 组验证集，用于Dense-UCoordNet和对比模型的训练和测试。

2 方法

Dense-U-Coord Net 模型包括编码器、多维度特征注意力、解码器和SoftMax 分类器四部分，如图2 所示。编码器负责从输入图像中提取特征。多维度特征注意力位于编码器解码器之间，负责聚合上下文信息和提取有效空间位置信息。解码器负责将特征图逐步转换为与原始输入相同分辨率的输出。编码器各层与解码器对应层之间通过跳跃连接直接相连，传递编码器提取的特征图，保留图像空间细节和边缘信息。SoftMax分类器用于完成逐像素分类。

2.1 编码器

Dense-U-Coord Net 模型在U-Net 的基础上进行了改进，使用DenseNet 作为骨干网络，通过密集连接使每一层都能接收前面所有层的特征信息。如图2 所示，该模型的编码器部分设计了一种分层的下采样结构，通过五个连续的下采样阶段将输入图像的尺寸从512×512 逐步降低至16×16 的特征图。在第一个阶段，使用7×7 的卷积核初步提取特征，然后通过3×3 的池化层保留重要的特征信息。在随后的三个阶段中，每个阶段首先使用一个包含4 个密集块的Dense Block，实现特征的传递和复用，之后通过一个1×1 的卷积层和2×2 的池化层降低特征的通道数并减小特征图的尺寸。最后一个阶段与前面三个阶段相比则省略了卷积层和池化层；为提升模型的稳定性，每个阶段加入BN层，并通过Dropout 正则化来防止过拟合。

2.2 多维度特征注意力

如图2 所示，多维度特征注意力模块由OCR模块和坐标注意力模块组成。该融合策略旨在同时保留全局上下文信息和局部位置信息，以便在语义分割过程中提高模型对边缘细节和局部特征的捕捉能力，从而提升分割精度。如图3 所示为多维度特征注意力机制模块的结构图。该模块通过将OCR模块形成的具有空间关系的特征表示输入到坐标注意力机制，在空间和内容两个维度调整特征分布，增强对冬小麦地块的特征表达能力。图中箭头连接展示了特征信息在各个区域间的流动，通过不同层级的聚合和传递强化冬小麦像素点与周围背景的分割效果。

OCR模块通过聚合目标对象的上下文特征，建立冬小麦地块像素与其他地物像素的空间关系，增强冬小麦地块的特征表现力。首先，像素表示区域从主干网络DenseNet提取的特征映射中获取基础像素信息，并通过加权聚合分配不同类别的区域特征至各个像素。随后，软物体区域层则通过学习模糊的权重，识别可能属于冬小麦的区域。接下来对象区域表示层进一步细化冬小麦区域的定义，并增强其特征表达。像素-区域关系层则强化像素与所属区域之间的联系。最后，增强表示层整合所有先前层次的信息，丰富解码器的上下文信息，更加精准地重建冬小麦地块的分布。

坐标注意力机制模块通过整合位置信息，编码通道间的关联性并捕捉远程依赖关系。坐标注意力模块的结构如图4 所示，其中C为输入通道数，H为特征图高度，W为特征图宽度，r 为下采样的比例。该模块包括两个阶段，首先是坐标信息嵌入阶段，分别使用（H，1）和（1，W）的池化核对输入特征图的每个通道分别进行水平和垂直方向的编码，再将两个方向的空间特征融合，定位冬小麦田块；坐标注意力生成阶段将两个空间方向的特征图进行1×1 的卷积变换，空间维度中将p（空间信息在水平及垂直方向经过编码后的中间特征图）划分为两个独立的张量pH和pW，随后经过线性变换将特征映射到原始的H和W，最后通过Sigmoid 函数处理生成最终的注意力图，再将其与原始输入特征图相乘而突出冬小麦地块的关键特征。

2.3 解码器

如图2 所示，解码器由五个连续的上采样阶段组成，利用双线性插值法将多维度注意力机制模块输出的特征图从16×16 逐步放大至512×512分辨率的输出。在前四个上采样阶段中，均包含1 个3×3 的反卷积层用于放大特征图尺寸和1 个3×3 的卷积层用于调整通道数。在最后一个上采样阶段，首先经过一个3×3 的卷积层将通道数映射为最终的类别数，然后再经过一个3×3 的反卷积层将图像尺寸恢复到原始图像大小。每个阶段卷积层后都添加了BN 层提高模型稳定性和Dropout正则化防止过拟合现象。

2.4 分类器

Dense-U-Coord Net 模型使用SoftMax 模型作为分类器，SoftMax 模型广泛应用于FCN、SegNet、RefineNet、U-Net 等模型。SoftMax 分类器计算每个像素点属于不同类别的概率分布，组织成类别概率向量作为输出，最大的概率值对应的类别作为该像素点的分类结果。

2.5 损失函数

为精确提取冬小麦空间分布信息，本研究在该二分类任务中使用像素级交叉熵损失函数，并利用梯度下降算法找到最优解。该函数将图像中的每个像素视为独立样本，计算模型预测值与真实值之间的交叉熵损失。然后，通过将所有像素的损失值相加并平均，得到最终的损失值，计算公式如公式（1）所示。

2.6 评价指标

本研究使用精确度（Precision）、召回率（Recall）、平均像素精度（MPA）和平均交并比（MIoU）作为模型的评价指标客观评价模型对冬小麦空间分布的分割结果。精确度是指模型预测为正的样本中，实际为正样本的比例；召回率衡量的是所有实际正样本中，被模型正确预测为正的样本的比例；平均像素精度是指对于每个类别，正确分类的像素占总像素的比例的平均值；平均交并比是计算预测区域与真实区域交集与并集的比例的平均值。

2.7 训练方法

本实验使用Adam 算法作为训练算法，batch_size为4，epochs为150，具体训练步骤为：

（1）确定模型训练过程中的超参数，并对Dense-U-Coord Net模型的参数进行初始化；

（2）将制作的原图—标记图对作为训练数据集输入到Dense-U-Coord Net模型中；

（3）使用模型对数据集中的训练样本进行一次前向传播计算；

（4）计算真实概率分布和预测概率分布的交叉熵损失函数；

（5）使用Adam 算法，对Dense-U-Coord Net模型的参数进行更新，完成一次训练；

（6）重复上述步骤（3）（4）（5），直到看到损失函数的值小于指定的期望值，从而输出训练好后的网络参数。

3 结果与分析

3.1 实验设计

设计消融实验，旨在精确评估逐步引入DenseNet 骨干网络、OCR 模块和坐标注意力机制对提取冬小麦空间分布信息精度的影响。

选择SVM、U-Net、ERFNet和RefineNet 模型作为对比模型开展对比实验，分析不同网络结构对冬小麦空间分布提取精度的影响。表1 展示了SVM、U-Net、ERFNet、RefineNet 和Dense-UCoordNet 模型的核心特征和改进方向，对比了模型的主要区别及优势。

选择同期山东省聊城市东昌府区高分六号遥感影像进行测试，旨在验证Dense-U-CoordNet 模型在不同高分辨率遥感影像中提取冬小麦空间分布信息的性能。

本研究在一台16G运行内存的台式计算机运行实验，CPU 为13th Gen Intel（R）Core（TM） i5-13400F，GPU 为NVIDIA GeForceRTX 4060（8G），所用的操作系统为Win11 操作系统，编程语言为Python3.10.10，深度学习框架为Pytorch，编译器为Pycharm2022 社区版。

3.2 实验结果

表2 为消融实验的实验结果。基线模型UNet的各项评价指标为：精确度（Precision）87.3%、召回率（Recall）88.0%、平均像素准确率（MPA）90.4% 以及平均交并比（MIoU）86.8%。当引入DenseNet 模型作为主干网络，并加入多维度特征注意力模块后，模型的精确度提升至92.5%，召回率提升至93.4%，平均像素准确率达到94.2%，平均交并比提升至91.7%。结果表明，每项技术都有效提升了模型性能，验证了改进策略的可行性和有效性。

图5 展示了馆陶县的遥感影像（a）和Dense-U-Coord Net 模型的冬小麦空间分布提取结果（b），（b）图中绿色区域为提取的冬小麦地块。通过比较两图可以观察到，Dense-U-Coord Net 模型提取的种植区域与遥感影像中的深绿色冬小麦地块在空间分布上有着较高的一致性。

图6 展示了U-Net、RefineNet、ERFNet、SVM和Dense-U-Coord Net 对馆陶县GF-6 遥感影像五个区域的提取结果，其中绿色区域和红色区域分别为提取的冬小麦区域和非冬小麦区域。从图6（c）中可以看出，Dense-U-Coord Net 模型的提取结果虽然也有少量道路未完全识别、错误识别现象，但相较于对比模型，其对冬小麦地块识别较为准确，识别错误的情况更少，提取的大块种植区域更完整，边缘部分轮廓也更清晰。RefineNet 的提取结果仅次于Dense-U-CoordNet，但是其地块边缘部分略显粗糙并有更多的错误识别现象。ERFNet 和U-Net 的提取结果虽然都明显比SVM 优秀，但是与Dense-U-CoordNet 对比还是存在较大差距，错识、漏识现象较多，碎屑斑块较多，且地块的边缘部分提取效果不理想。SVM的提取效果最差，对于小块的种植区提取效果差，且难以识别地块间的道路，对于边缘部分提取效果也不理想。

如图7 所示为东昌府区的遥感影像（a）和Dense-U-Coord Net 模型的冬小麦空间分布提取结果（b），其中（b）图中绿色区域为提取的冬小麦地块。通过比较两图可以观察到，冬小麦的种植区域在Dense-U-Coord Net 模型的提取结果中与遥感图像中的深绿色冬小麦地块在空间分布上有着较高的一致性，验证了模型在不同数据集上的性能。

3.3 结果评价

表3 是不同模型的评价指标，用精确度、召回率、平均像素精度和平均交互比评估分割精度。

实验结果表明，Dense-U-Coord Net 模型的各项评价指标均优于对比模型，RefineNet 模型次之，ERFNet和U-Net 模型较差，SVM模型效果最差。证明了Dense-U-Coord Net 在高分六号遥感影像中提取冬小麦空间分布信息方面具有优势。

4 分析讨论

4.1 特征提取器对结果精度的影响

SVM是一种传统机器学习方法，通过在高维空间中寻找一个最优的超平面进行分类，由表3 模型实验结果对比发现其在处理具有高维数据和复杂特征的高分辨率遥感影像时性能弱于神经网络模型。U-Net、ERFNet、RefineNet 模型都是经典的编码器-解码器结构的卷积神经网络，相较于传统方法有更强的特征学习和处理能力。U-Net 模型较为简单，编码器部分采用的是经典的卷积神经网络架构，由多个卷积层和最大池化层组成，逐层提取特征；ERFNet的编码器是使用1D因子分解残差块，将标准的3×3 卷积分解为1×3 卷积和3×1 卷积，减少模型参数量；RefineNet 编码器部分结合了深层特征和浅层特征的多尺度融合，与DenseNet 密集连接机制有些相似之处，都强调了跨层次特征的融合和复用。

Dense-U-Coord Net 采用了密集连接网络DenseNet 作为特征提取器，每一层与前面所有层相连，允许每层直接访问前面所有层的特征图。由表2 消融实验结果和表3 模型实验结果对比可以发现，DenseNet 作为特征提取器的效果优于U-Net 和ERFNet，相较于这两者，DenseNet 由于其密集连接特性，能够保留更多的细节信息并且具有更强的特征复用能力，可以提供更丰富的上下文信息，导致其性能优于U-Net 和ERFNet；RefineNet 通过其多路径细化网络在多尺度融合上更为有效，在处理高分六号高分辨率遥感影像时能够更精确地恢复细节和上下文信息，导致其性能优于DenseNet 特征提取器，但是DenseNet也有其一定的优势，其减少了重复的特征学习，提高了网络的参数利用效率。

4.2 特征注意力对结果精度的影响

在处理高分辨率遥感影像时，特征保留和边缘特征的有效处理是提升图像分割质量的关键因素。针对卷积神经网络下采样过程中因图像尺寸缩小造成的像素细节丢失，导致边缘特征损失的问题，本研究引入包含OCR模块和坐标注意力机制的多维度特征注意力机制。这样设计的目的是强化非冬小麦类别对象区域与冬小麦地块边缘处的分割结果，利用坐标注意力机制增强不同对象区域与其内部像素点之间的关联，在不增加网络计算量的情况下获取更多语义信息，增强冬小麦地块的空间特征表达。

由表2 消融实验结果和表3 模型实验结果对比可以发现，添加多维度特征注意力机制之后，Dense-U-Coord Net 模型的精度不仅高于U-Net和ERFNet，并且还优于未添加特征注意力机制的RefineNet（该模型精度高于只使用DenseNet作为骨干网络的模型），这表明了多维度特征注意力模块对于提升图像分割模型在处理高分辨率遥感影像中的边缘识别和特征保留方面的有效性。

4.3 数据集类型对结果精度的影响

实验结果表明Dense-U-Coord Net 模型在处理高分辨率的GF-6 遥感影像时能较为精细地提取冬小麦空间分布信息。为全面评估模型在不同类型遥感影像数据集上的能力，在泰安市同期空间分辨率为16 米的GF-1 中分辨率遥感影像上进行测试。如图8 所示，图（1）和（2）分别为原图和分割结果图，图（2）中的绿色区域和红色区域分别代表提取到的冬小麦区域和非冬小麦区域，测试结果显示模型的提取精度显著下降。

造成这一现象的可能原因主要有两个方面：首先，GF-1 影像分辨率较低，重要的冬小麦地块特征如边缘和纹理信息不够丰富，导致模型无法有效识别并分割目标区域；其次，模型可能过度依赖高分辨率影像中的特征表达，难以学习中等分辨率遥感影像特征。

针对这个问题，后续考虑通过数据增强技术如图像超分辨率重建、图像锐化来增强中分辨率影像中的特征信息，提高模型对特征的识别能力。

5 结 论

本研究设计并实现了一种专门应用于高分辨率遥感影像的冬小麦空间分布信息提取模型Dense-U-Coord Net。此模型以U-Net 模型为基础，有效解决了其在高分辨率遥感影像中提取冬小麦空间分布信息时特征提取能力不足及下采样过程中尺寸缩小导致的特征丢失问题，实现在GF-6 号PMS遥感影像中获取准确的冬小麦空间分布信息的目标，为农业生产管理提供数据支持。本文的主要贡献有：（1）针对高分六号遥感影像及冬小麦地块的特性，分析了传统图像分割模型在分割精度上的不足，并在此基础上提出了一种神经网络Dense-U-Coord Net；（2）为了提升分割精度并更有效地提取边缘特征，提出了一种特征注意力模块。该模块通过OCR模块聚合上下文信息，并结合坐标注意力机制识别图像中的位置特征，取得了较为理想的分割效果。

针对模型在中分辨率影像中提取精度较低的问题，后续考虑通过数据增强技术如图像超分辨率重建、图像锐化等方式增强中分辨率影像中的特征信息，提高模型对特征的识别能力。未来工作也将着重优化数据集的制作流程，考虑使用半监督学习或自监督学习的训练方法，解决目视解译方法在数据集勾画中的繁琐与耗时问题，从而进一步增强模型的实用性和效率。

参考文献

[1] 白静远，宁纪锋，等. 基于改进UPerNet 和国产高分

遥感数据的冬小麦种植区提取[J]. 江苏农业科学，

2023，51（13）：203-212.

[2] 孟浩然，李存军，等. 综合光谱纹理和时序信息的油

茶遥感提取研究[J]. 光谱学与光谱分析， 2023，

43（05）：1589-1597.

[3] 张 磊，宫兆宁，王启为，等.Sentinel-2 影像多特征优

选的黄河三角洲湿地信息提取[J]. 遥感学报，2019，

23（02）：313-326.

[4] 罗 鑫，王崇倡，孙尚宇. 面向水体浅水区遥感识别的

水体指数NMBWI 研究[J/OL]. 自然资源遥感，1-7

[2024-06-11].http：//kns.cnki.net/kcms/detail/10.1759.

P.20240118.2340.002.html.

[5] 杨春光，许 鹏，李丰翔. 改进植被指数类型的干旱遥

感监测[J]. 测绘与空间地理信息，2023，46（09）：79-82.

[6] 柳文杰，曾永年，张 猛. 融合时间序列环境卫星数据

与物候特征的水稻种植区提取[J]. 遥感学报，2018，

22（03）：381-391.

[7] Singha M ，Wu B ， Zhang M ， et al. Object-Based

Paddy Rice Mapping Using HJ-1A/B Data and

Temporal Features Extracted from Time Series

MODIS NDVI Data[J]. Sensors，2016，17（1）：10.

[8] 朱丽娟. 基于灰度共生矩阵的红枣纹理特征提取

[J]. 科技风，2022，（25）：78-80.

[9] 王清涛，杨 洁. 应用改进的灰度共生矩阵识别木材

纹理多重特征值[J]. 西北林学院学报，2019，34（03）：

191-195.

[10] Crabbe RA， Lamb DW， Edwards C. Investigating the

potential of Sentinel-1 to detect varying spatial

heterogeneity in pasture cover in grasslands[J].

International Journal of Remote Sensing. 2021 Jan;42（1）：

254-265.

[11] 李 赫，王 玉，范 凯，等. 基于深度学习、小波变换

和可见光谱的茶树冻害程度评估[J]. 光谱学与光谱

分析，2024，44（01）：234-240.

[12] 宋 茜. 基于GF-1/WFV 和面向对象的农作物种植

结构提取方法研究[D]. 北京：中国农业科学院，2016.

[13] Magalhães DPL ， Rossi F . Use of Indices in RGB

and Random Forest Regression to Measure the Leaf

Area Index in Maize[J]. Agronomy，2024，14（4）：750.

[14] Wang Y ，Jin S ，Dardanelli G . Vegetation Classification

and Evaluation of Yancheng Coastal Wetlands Based on

Random Forest Algorithm from Sentinel-2 Images[J].

Remote Sensing，2024，16（7）：1124.

[15] 赖佳政，李贝贝，程 翔，等. 基于无人机高光谱遥感

的烤烟叶片叶绿素含量估测[J]. 智慧农业（中英文），

2023，5（02）：68-81.

[16] 张 伏，张方圆，崔夏华，等. 高光谱成像结合PSOSVM

的银杏果种类鉴别[J]. 光谱学与光谱分析，

2024，44（03）：859-864.

[17] Su Q ， Lv J ， Fan J ， et al. Remote Sensing-Based

Classification of Winter Irrigation Fields Using the

Random Forest Algorithm and GF-1 Data： A Case

Study of Jinzhong Basin， North China[J]. Remote

Sensing，2023，15（18）：4599.

[18] 朱立学，赖颖杰，张世昂，等. 面向采摘机器人的改进

U-Net 火龙果图像分割和姿态估计方法[J/OL]. 农

业机械学报， 1-16[2024-05-27]. http：//kns. cnki. net/

kcms/detail/11.1964.S.20230920.1558.002.html.

[19] 赖一波，喻擎苍，方家吉，等. 基于Mobile-UNet 的葫

芦科接穗苗子叶图像分割方法[J]. 软件导刊，2024，

23（02）：153-161.

[20] 朱立学，伍荣达，付根平，等. 基于多尺度串联空洞卷

积的轻量化UNet 香蕉图像分割[J]. 农业工程学报，

2022，38（13）：194-201.

[21] Weiyue X ，Alex JT ，Qiong S ， et al. A segmentation

algorithm incorporating superpixel block and holistically

nested edge for sugarcane aphids images under natural

light conditions[J]. Biosystems Engineering， 2022，

2162：41-255.

[22] Li Y ，Mengya L ，Shuxiao L ， et al.Detection of dawn

sea fog/low stratus using geostationary satellite

imagery[J]. Remote Sensing of Environment， 2023，

294113622

[23] Luo H，Ming D，Xu L， et al.Tree Species Classification

Based on ASDER and MALSTM-FCN[J]. Remote

Sensing，2023，15（7）：1723.

[24] 张哲晗，方 薇，杜丽丽，等. 基于编码-解码卷积神经

网络的遥感图像语义分割[J]. 光学学报， 2020，

40（03）：46-55.

[25] 仇 龙. Trans-SegNet：一种基于Transformer 的脑肿

瘤图像分割网络[J]. 电脑知识与技术，2023，19（32）：

24-26+30.

[26] Cunge G ，Wenqi G ， Dongmei Z . Research on road

surface crack detection based on SegNet network[J].

Journal of Engineering and Applied Science，2024，71（1）：

[27] 侯文慧，周传起，程 炎，等. 基于轻量化U-Net 网络的

果园垄间路径识别方法[J]. 农业机械学报，2024，

55（02）：16-27.

[28] 何红术，黄晓霞，李红旮，等. 基于改进U-Net 网络的

高分遥感影像水体提取[J]. 地球信息科学学报，

2020，22（10）：2010-2022.

[29] 苏健民，杨岚心，景维鹏. 基于U-Net 的高分辨率遥

感图像语义分割方法[J]. 计算机工程与应用，2019，

55（07）：207-213.

[30] Romera E， Álvarez J， Bergasa L， et al. ERFNet：

Efficient Residual Factorized ConvNet for Real-

Time Semantic Segmentation[J]. IEEE Transactions

on Intelligent Transportation Systems， 2018， 19（1）：

263-272.

[31] Yin H， Zhang C， Han Y， et al. Improved semantic

segmentation method using edge features for winter

wheat spatial distribution extraction from Gaofen-2

images[J]. J. Appl. Rem. Sens， 2021（15）： 028501.

[32] 宋德娟，魏青迪，张承明，等. 利用RefineNet 模型提

取冬小麦种植信息的方法[J]. 遥感技术与应用，

2019，34（04）：720-726.

[33] Bin J ， Zhiyou C ， Chuanjian W ， et al. CA-BIT： A

Change Detection Method of Land Use in Natural

Reserves[J]. Agronomy，2023，13（3）：635-635.

[34] 李翠锦，瞿 中. 基于深度学习的图像边缘检测算法

综述[J]. 计算机应用，2020，40（11）：3280-3288.

[35] 赫晓慧，陈明扬，李盼乐，等. 结合DCNN与短距条件

随机场的遥感影像道路提取[J]. 武汉大学学报（信

息科学版），2024，49（03）：333-342.

[36] Chang S，Yang G，Cheng J， et al.Recognition of wheat

rusts in a field environment based on improved

DenseNet[J].Biosystems Engineering，2024，238：10-21.

[37] 李子茂，徐杰，郑禄，等. 基于改进DenseNet 的茶叶

病害小样本识别方法[J]. 农业工程学报， 2022，

38（10）：182-190.

[38] YUAN Y， CHEN X， WANG J. Object-contextual

representations for semantic segmentation[C]//Computer

Vision-ECCV 2020：16th European Conference， August

23-28， 2020， Proceedings， Part VI 16. Springer

International Publishing. Glasgow， UK，2020： 173-190.