AGSPNet：一种结合农业地理场景约束的无人机高分辨率影像地块级作物细粒度语义变化检测框架
计算机视觉与模式识别
2024-01-15 v1 机器学习
摘要
实时准确地获取作物种植的细粒度变化信息，对于作物生长监测、产量预测和农业结构调整具有重要意义。针对不同时相可见光高分辨率无人机影像中严重的光谱混淆、大范围复杂背景干扰以及现有语义变化检测（SCD）算法产生的椒盐噪声等问题，为有效提取作物的深层图像特征并满足农业实际工程应用需求，本文设计并提出了一种农业地理场景与地块级约束的作物SCD框架（AGSPNet）。AGSPNet框架包含三个部分：农业地理场景（AGS）划分模块、地块边缘提取模块和作物SCD模块。同时，我们制作并引入了一个专用于农业监测的无人机影像SCD数据集（CSCD），该数据集包含复杂地理场景下作物的多种语义变化类型。我们在该数据集的两个测试区域进行了对比实验和精度评估，结果表明，AGSPNet的作物SCD结果在数量和质量上均持续优于其他深度学习SCD模型，其评估指标F1-score、kappa、OA和mIoU相较于次优方法平均分别提升了0.038、0.021、0.011和0.062。本文提出的方法能够清晰地检测复杂场景下作物类型的细粒度变化信息，可为智慧农业监测与管理、粮食政策制定和粮食安全保障提供科学和技术支持。
引用
@article{arxiv.2401.06252,
title = {AGSPNet: A framework for parcel-scale crop fine-grained semantic change detection from UAV high-resolution imagery with agricultural geographic scene constraints},
author = {Shaochun Li and Yanjun Wang and Hengfan Cai and Lina Deng and Yunhao Lin},
journal= {arXiv preprint arXiv:2401.06252},
year = {2024}
}