基于S185机载高光谱的深度学习方法自动识别冬小麦条锈病研究

《Remote Sensing》影响因子：3.244

机载高光谱农业病虫害研究经典案例之---

基于S185机载高光谱的深度学习方法自动识别冬小麦条锈病研究

A Deep Learning-Based Approach for Automated Yellow Rus Disease Detection from High-Resolution Hyperspectral UAV Images

中国科学院遥感与数字地球研究所 / 英国曼切斯特城市大学

冬小麦条锈病是一种常见的严重影响产量的真菌疾病，给我国农业经济带来重大的损失，传统的条锈病检测方法常使用手工检测等方法，耗时耗力，极不方便。近年来，随着无人机与高光谱技术的发展，为大面积及高效快速监测小麦条锈病发病区提供了可能性。

本文以S185机载高光谱数据为实例，提出了一种基于深度卷积神经网络（DCNN）的方法，研究了自动识别冬小麦条锈病发病区的相关结论。结果表明，该方法的整体识别精度高达0.85，高于基于随机森林算法的0.77，为基于机载高光谱影像的农作物病害研究提供了较高的参考价值。

图1 左侧为本试验研究区域河北廊坊，右侧为S185机载高光谱数据的冬小麦分区图

图2 本研究所用DJI M600 Pro无人机搭载S185机载高光谱成像仪 图3  冬小麦条锈病自动识别流程图

图4  基于滑动窗口的方法选取健康区域、发病区域等

图5  基于DCNN深度卷积神经网络自动识别小麦条锈病区的结构框图

图6  基于DCNN深度卷积神经网络算法的不同卷积层

图7  基于DCNN深度卷积神经网络算法的不同卷积层

图8  不同生长期的冬小麦DNCC算法识别条锈病精度

表1 不同生长期冬小麦模型处理模型对比

图9 冬小麦不同生长状态的光谱对比图

图10.基于不同算法的冬小麦条锈病病区提取结果

原文链接：http://www.mdpi.com/2072-4292/10/1/89/htm