基于MHSA+DeepLab v3+的无人机遥感影像小麦倒伏检测

最新推荐文章于 2025-06-13 16:10:22 发布
最新推荐文章于 2025-06-13 16:10:22 发布
阅读量1.6k 收藏 18
点赞数 26
CC 4.0 BY-SA版权
文章标签： 无人机 目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_46269520/article/details/136680254

1.引言

    倒伏是影响小麦产量和质量的重要因素之一，及时准确获取倒伏信息有利于小麦良种选育中的倒伏损失鉴定。以小麦灌浆期和成熟期两个生长阶段的可见光无人机遥感影像为依据，构建多生长阶段小麦倒伏数据集，通过在DeepLab v3+模型中添加不同的注意力模块进行比较分析，提出一种基于多头自注意力(MHSA)的DeepLab v3+小麦倒伏检测模型。

  并且与三种模型进行比较，分别是Segnet,PSPnet,和Deeplabv3+,在灌浆期mPA提高了25.45、7.54、1.82个百分点和mIoU提高了36.15、11.37、2.49个百分点，在成熟期mPA提高了15.05、6.32、0.74个百分点，mIoU提高了23.36、9.82、0.95个百分点。

研究表明提出的改进的DeepLab v3+模型能够有效地捕获灌浆期和成熟期的无人机小麦遥感图像中的倒伏特征，准确识别不同生育期的倒伏区域，具有良好的适用性，为利用无人机遥感技术鉴定小麦倒伏灾害等级和良种选育等提供了参考。

      首先介绍Segnet模型：

      包含VGG16中的13个卷积层 (舍弃了全连接层，可训练参数从134M降低到14.7M)，预训练，每一个encoder layer对应一个decoder layer，因此decoder同样有13个卷积层。

卷积操作：卷积+batch normalization+ReLU(element-wise)

最大池化操作： 2*2 window / stride: 2 ，(achieve translation invariance) 虽然最大池化和下采样操作可以achieve more translation invariance，但会损失特

最低0.47元/天 解锁文章

200万优质内容无限畅学
奔赴星海
关注
NLP之Transformer：六大核心技术点(ED/SA/MHA/PE/FNN/RC-LN)、统计各模块可训练参数、全流程各子模块原理详解(IE+PE→Encoder【MHSA+Add&Norm+P
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
02-28 4717
​ NLP之Transformer：Transformer算法的六大核心技术点(ED/SA/MHA/PE/FNN/RC-LN)、全流程各子模块原理详解——输入Embedding+位置编码、Encoder(MHA→PwFFNN)、Decoder(MaskeMHA→MHA→PwFFNN)、Linear+Softmax之详细攻略 目录 相关文章 一、Transformer算法拆解图：吊炸天的序列模型 二、Transformer的六大核心技术点(ED/SA/MHA/PE/FNN/RC-LN)
【YOLOv8改进 - 注意力机制】 MHSA：多头自注意力（Multi-Head Self-Attention）
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
07-01 2014
我们介绍了BoTNet，这是一个概念简单但功能强大的骨干架构，将自注意力引入多个计算机视觉任务，包括图像分类、物体检测和实例分割。通过仅在ResNet的最后三个瓶颈块中用全局自注意力替换空间卷积，而不进行其他更改，我们的方法在实例分割和物体检测任务上显著提升了基线性能，同时减少了参数，延迟方面的开销也极小。通过设计BoTNet，我们还指出了带自注意力的ResNet瓶颈块可以视为Transformer块。
基于深度学习语义分割和迁移学习策略的麦田倒伏面积识别方法
u012984333的博客
12-12 169
在Swin-Transformer深度学习语义分割框架基础上，分别使用40m训练集单独训练、40和80m训练集混合训练、40m训练集预训练80m训练集迁移学习等3种训练方法，获得对照模型、混合训练模型和迁移学习模型;利用低飞行高度(40m)预训练语义分割模型，在较高飞行高度(80m)空图像做迁移学习的方法提取倒伏小麦面积是可行的，这为解决空域飞行高度限制下，较少80m及以上图像数据集无法满足语义分割模型训练的要求的问题，提供了一种有效的方法。因此，在小麦扬花灌浆期，适当控制水分非常重要。
基于deeplabv3+的遥感农作物语义分割
02-17
使用deeplabv3+实现遥感图片的农作物区域分割，包括水稻，小麦，玉米
基于DeepLabV3+的高分辨率遥感图像语义分割算法研究
最新发布
laoman456的博客
06-13 887
然而，由于高分辨率遥感图像中的地物信息复杂，包含各种尺度、形状和材质的目标，传统的像元级分类方法和浅层图像分析技术在处理这些图像时面临较大的困难。DeepLabV3+作为一种基于深度卷积神经网络的语义分割模型，通过引入空洞卷积（Atrous Convolution）和空间金字塔池化（ASPP）等技术，显著提升了分割精度，已在多个计算机视觉任务中取得了优秀的表现。本研究的目标是通过对DeepLabV3+模型的改进，提升其在高分辨率遥感图像中的分割精度，为遥感图像的智能化分析提供更加高效和精准的技术方案。
无人机应用：小麦倒伏区域识别方法科研
u012984333的博客
08-30 264
当影像分辨率为2.09 cm时，总体分类精度相较1.05 cm降低了1.06%，表现为不同飞行高度下的分类精度相对差异较小，90 m总体分类精度可达到95.6%，Kappa系数达到0.914，满足了对分类精度的需求。通过选择适宜的特征选择方法，不仅可以兼顾分类精度，还能有效缩小影像空间分辨率变化引起的倒伏分类差异，有助于提升飞行高度，扩大小麦倒伏监测面积，降低作业成本，为确立作物倒伏信息获取策略及小麦灾情评估提供参考及支持。因此，在灌浆期，要注意排水，及时清理积水，保证土壤透气性，避免小麦生长缺氧。
基于deeplabv3+|实现遥感建筑物提取
weixin_44095417的博客
03-26 3423
在具体的技术实现上，Deeplabv3+采用了深度可分离卷积，这是一种更快速和更强大的编码器-解码器网络。这种技术可以有效地减少计算量和参数数量，提高模型的效率和性能。它是在Deeplabv3的基础上进行改进和扩展的，通过添加一个简单的解码器模块来特别改善物体边界的分割结果。包含了从新西兰基督城的航空图像中提取的超过220,000个独立建筑，图像被分割成了8189个512×512像素的片，其中包含了训练集（130,500个建筑），验证集（14,500个建筑）和测试集（42,000个建筑）。
0204期基于python深度学习的水稻是否伏倒识别-含数据集-含数据集
ffsadsfsfs的博客
04-02 648
本代码对数据集进行了预处理，包括通过在较短边增加灰边，使得图片变为正方形(如果图片原本就是正方形则不会增加灰边)，和旋转角度，来扩增增强数据集，运行02深度学习模型训练.py就会将txt文本中记录的训练集和验证集进行读取训练，训练好后会保存模型在本地。运行03pyqt_ui界面.py就可以有个可视化的ui界面，通过点击按钮可以加载自己感兴趣的图片识别。运行01数据集文本制作.py文件，会就读取数据集下每个类别文件中的图片路径和对应的标签。下载本代码后，有个环境安装的requirement.txt文本。
选择DeepLabV3+训练图像分割遥感数据集，以GID数据集训练为例，也可训练Postdam数据集 WHDLD武汉大学数据集等遥感影像语义分割数据集对数据进行加载、模型定义、训练过程以及推理
2401_88440984的博客
03-12 1047
选择DeepLabV3+训练图像分割遥感数据集，以GID数据集训练为例，也可训练Postdam数据集 WHDLD武汉大学数据集等遥感影像语义分割数据集对数据进行加载、模型定义、训练过程以及推理
yolo11mhsa+卡尔曼滤波+KM算法+kcf算法 通过俯视图正视图，绘制鱼杠中鱼的轨迹，如何实现，在anaconda+VScode具体到代码插入使用
12-13
在Anaconda环境中使用VSCode编写代码来结合YOLOv11MHSA、卡尔曼滤波(Kalman Filter)、KCF追踪(Kernelized Correlation Filters)以及多视角融合来跟踪鱼的轨迹，你需要经过以下几个步骤： 1. **安装依赖库**： - ...
基于多头自注意力机制(MHSA)增强的YOLOv11主干网络—面向高精度目标检测的结构创新与性能优化
面向AI前沿技术的深度解析平台，覆盖基础理论、算法优化及产业应用全链路
05-17 937
本文针对YOLOv11主干网络在复杂场景下局部感受野受限、上下文建模能力不足的问题，提出了一种基于多头自注意力机制（Multi-Head Self-Attention, MHSA）的改进型主干网络结构。该方法通过在骨干网络的关键特征提取层中嵌入MHSA模块，有效引入全局注意力机制，使模型能够动态关注图像中的长距离依赖关系与关键语义区域。相较于传统卷积操作仅依赖局部邻域信息的局限性，MHSA能够在多个特征子空间中并行建模全局交互关系，从而显著增强特征表示的丰富性与判别能力。
基于DeepLab-v3+的遥感影像分类
02-22
遥感影像分类是模式识别技术在遥感领域的具体应用,针对普通卷积神经网络处理遥感图像分类遇到的边缘分类不准确、分类精度低等问题,提出了一种基于编码解码器的空洞卷积模型(DeepLab-v3+)的遥感图像分类方法。首先标注卫星图像数据;再利用标注数据集对DeepLab-v3+模型进行训练,该模型能够提取遥感图像中具有较强稳健性的边缘特征;最后获得遥感影像地物分类结果。在遥感数据集上进行分析可知,所提方法比其他分类方法具有更高的分类精度,更稳健的边缘特征,以及更优的分类效果。
遥感深度学习——基于deeplabv3+和GID数据集（1）
2301_76972702的博客
09-15 1731
注：GID官方下载下来的文件包含三个子文件，一个是十景的GID15，还有一个是150景的GID5数据，刚开始没看懂，还有一个子文件是GID5的png文件，也就是用于标注的文件。是一个高分辨率的遥感影像数据集，由中国科学院空天信息研究院发布，旨在推动遥感图像的精细分类和地物识别研究。：大规模分类集，包含 5 个土地覆盖类别（建筑、农田、森林、草地、水域），共 150 景影像（训练集 120 景，验证集 30 景）。：编码器部分提取图像的高层次语义特征，解码器部分逐步恢复图像的空间细节，提高分割的精细度。
智慧农业科研：无人机图像检测小麦倒伏类型
u012984333的博客
12-27 597
为了研究不同类型的小麦倒伏(根部倒伏、茎部倒伏)对产量和质量会产生不同影响，中国农业大学信息与电气工程学院与中国农业大学农业农村部农业信息获取技术重点实验室、北达科他州立大学农业与生物工程系、韩国江原大学生物系统工程系、韩国江原大学智慧农业交叉学科、塔里木大学机械电气化工程学院等高校组成了科研团队，旨在通过无人机图像对小麦倒伏类型进行分类，并探究无人机飞行高度对分类性能的影响。小麦倒伏现象严重影响小麦产量，因此在小麦生长的各个阶段，水肥、翻土等操作都是需要一定的科学性。
深入理解Transformer，兼谈MHSA（多头自注意力）、Cross-Attention（交叉注意力）、LayerNorm、FFN、位置编码
热门推荐
DEDSEC_Roger的博客
11-27 1万+
【代码】深入理解Transformer，兼谈MHSA（多头自注意力）、Cross-Attention（交叉注意力）、LayerNorm、FFN、位置编码。
transformer系列学习笔记
qq_42075634的博客
04-04 6788
transformer 详解 详解 VIT 官方源码 详解 Linear Projection of Flattened Patches(Embedding层) Transformer Encoder MLP Head（最终用于分类的层结构） Hybrid 详解 传统CNN特征提取和Transformer进行结合 Swin Transformer（Swin-T） 官方源码 详解 ...
多头自注意力机制详解:手把手计算现代AI的基石
步子哥的博客
07-23 1154
MHSA可以应用于各种类型的数据,但通常情况下,输入是一个向量序列。在自然语言处理中,这通常是词嵌入(word embedding)与位置编码(positional encoding)的组合。Input = [这个4x3的矩阵代表了我们的输入序列。MHSA主要学习三个权重矩阵,用于构造"查询"(Query)、“键”(Key)和"值"(Value)。W_Q = [[0.7, 0.8]W_K = [[0.7, 0.8]W_V = [[0.7, 0.8]这些4x2的矩阵代表了模型的可学习参数。
基于深度学习的农作物病害检测
慕云
10-04 3991
基于深度学习的农作物病害检测 1、研究思路 47 637 张图片总共 61 个分类标签．6 种模型对图像进行特征抽取． 采用交叉熵和正则化项组成损失函数进行反向传播调整，对数据集进行 4 种不同情况的划分; 并且使用了**初始化和迁移训练两种训练方式，**分别对 6 种网络架构在不同学习率下进行试验比较． 进行图像的高层特征进行抽取，训练之前对数据进行增强; 训练过程采用初始化训练和迁移训练两种方式，同时调整合适的训练参数( 如训练率、衰减率、迭代次数、优化器等) ，对 6 种网络进行试验比较。 2、数据来
【矩池云】DeepLabV3Plus网络，预测无人机遥感语义分割数据集
一只大憨憨的博客
05-11 2126
编码器特征首先以因子4进行双线性上采样，然后与来自网络主干的具有相同空间分辨率的对应低级特征进行级联[73]（例如，在ResNet-101中跨步之前的Conv 2 [25]）。1. 在图像分类中，下采样倍率是32，语义分割中，下采样倍率一般为16或8，对于语义分割的任务，比如 可以在ResNet中，通过移除最后一个（或两个）块中的步幅并相应地应用atrous卷积（例如，对于输出stride= 8，我们将空洞卷积率= 2和空洞卷积率= 4分别应用于最后两个块）解决办法：将错误语句换为以下语句。
水稻倒伏高度和角度识别
03-15
### 水稻倒伏高度与角度的图像处理或AI检测方法 #### 数据采集 为了实现水稻倒伏高度和角度的精确测量，通常需要依赖高分辨率的无人机遥感影像或其他田间监测设备。这些设备能够提供清晰的作物图像，从而为后续分析奠定基础[^1]。 #### 图像预处理 在进行具体的高度和角度计算之前，原始图像可能受到光照不均、噪声干扰等因素的影响。因此，需先对图像进行增强和去噪操作。常见的预处理技术包括直方图均衡化、滤波器平滑以及边缘锐化等。 #### 特征提取 针对水稻植株的特点，可以采用形态学特征提取的方法来定位茎秆的位置及其倾斜情况。例如利用Canny算子检测边缘轮廓线；或者借助Hough变换寻找直线段代表主要支撑结构的方向向量[^3]。 #### AI建模与训练 对于更复杂的场景，则可引入深度学习框架来进行端到端的学习过程。类似于提到的小麦案例研究中所使用的改进版DeepLab V3+网络架构，在其中加入适合特定任务需求调整后的多头自我注意机制（MHSA），有助于提升语义分割效果进而辅助估计局部区域内的姿态参数分布特性。 以下是简化版本用于演示目的Python脚本片段展示如何加载预定义好的模型权重文件并对新输入样本执行预测功能： ```python import tensorflow as tf from PIL import Image import numpy as np model_path = 'path_to_your_trained_model' image_file = 'test_image.jpg' def load_and_preprocess(image_path): img = Image.open(image_path).resize((512, 512)) # Resize according to your model input size requirement. img_array = np.array(img)/255.0 return tf.expand_dims(img_array,axis=0) # Load the saved keras model model=tf.keras.models.load_model(model_path) input_data=load_and_preprocess(image_file) predictions=model.predict(input_data)[0] print(predictions.shape) # This should match with expected output dimensions defined during training phase. ``` 此代码仅作为概念验证工具包的一部分，并未包含完整的业务逻辑链路设计考虑实际应用环境下的各种边界条件约束等问题解决策略等内容。 #### 结果解析 最终得到的结果可以通过后处理算法转换成具体的物理单位表示形式——即每棵植物对应的平均倾角数值列表以及整体区域内最大最小偏差范围统计摘要报告等形式呈现给用户查看参考决策支持作用。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值