利用改进EfficientNetV2 和无人机图像检测小麦倒伏类型

分类： 统计学 >> 社会统计学 提交时间： 2023-12-04 合作期刊: 《智慧农业（中英文）》

龙佳宁 张昭 刘晓航 李云霞 芮照钰 余江帆 张漫 FLORES Paulo 韩哲雄 胡灿 王旭峰

摘要： ［目的/意义］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。本研究旨在 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。［方法］研究设置3个无人 机飞行高度（15、45、91 m） 来获取小麦试验田的图像，并利用自动分割算法生成不同高度的数据集，提出一种 EfficientNetV2-C改进模型对其进行分类识别。模型通过引入CA（Coordinate Attention） 注意力机制来提升网络特 征提取能力，并结合CB-Focal Loss （ClassBalanced Focal Loss） 来解决数据不均衡对模型分类准确度的影响。 ［结果和讨论］改进的EfficientNetV2-C表现最佳，平均准确率达到93.58%。对比未改进的4种机器学习分类模型 （支持向量机（Support Vector Machine，SVM）、K 最近邻（K Nearest Neighbor，KNN）、决策树（Decision Tree， DT） 和朴素贝叶斯（Naive Bayes，NB）） 与两种深度学习分类模型（ResNet101和EfficientNetV2），其中Efficient⁃ NetV2在各个高度下表现最优，平均准确率达到82.67%。无人机飞行高度对4种机器学习分类器性能无显著影响， 但随飞行高度上升，由于图像特征信息损失，深度学习模型的分类性能下降。［结论］改进的EfficientNetV2-C在 小麦倒伏类型检测方面取得了较高的准确率，为小麦倒伏预警和农作物管理提供了新的解决方案。

 点击量 472  下载量 91  评论