多源遥感图像的语义细分模型被用来提取在耕作阶段的冬季小麦
Yunlong Wu1,2,3, Lingdi Tang4, Shouqi Yuan1
1Research Center of Fluid Machinery Engineering and Technology, Jiangsu University, Zhenjiang, 212013, China.
Scientific reports
|April 28, 2025
概括
本研究介绍了Tiff-SegFormer,这是一种新的方法,可以从无人机 (UAV) 图像中准确地分割冬季小麦树冠. 该方法有效地融合了可见光和热红外数据,以改善作物监测.
科学领域:
- 农业遥感 农业遥感
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 从无人机图像中对小麦树冠进行细分,由于覆盖范围稀疏,在耕作阶段具有挑战性.
- 准确的细分对于作物监测和管理至关重要.
研究的目的:
- 开发一个端到端的语义细分方法,用于准确的冬季小麦树冠提取.
- 将可见光 (RGB) 和热红外 (TIR) 数据融合在一起,以提高细分性能.
主要方法:
- 提出了Tiff-SegFormer方法,利用层次特征表示和自我注意.
- 在解码器阶段集成的通道和空间注意力机制.
- 来自RGB图像的融合光谱特征和来自TIR图像的温度特征.
主要成果:
- 在无人机图像上,Tiff-SegFormer实现了高分段精度 (mIoU=84.28%,mPA=88.97%,精度=94.55%).
- 超越了像UNet,DeepLabv3+,HRNet和SegFormer这样的既定方法.
- 在进一步的测试中证明了强大的概括能力 (mIoU=84.94%,mPA=91.46%,精度=94.71%).
结论:
- 蒂夫-SegFormer为冬季小麦树冠细分提供了强大而高效的解决方案.
- 该方法显示了精密农业应用的巨大潜力.
- 提供了一个可访问的工具,公开可用的实施和结果.
