引用格式： 刘易雪, 宋育阳, 崔萍, 房玉林, 苏宝峰. 基于无人机遥感和深度学习的葡萄卷叶病感染程度诊断方法[J]. 智慧农业(中英文), 2023, 5(3): 49-61.
DOI：10.12133/j.smartag.SA202308013
LIU Yixue, SONG Yuyang, CUI Ping, FANG Yulin, SU Baofeng. Diagnosis of grapevine leafroll disease severity infection via UAV remote sensing and deep learning[J]. Smart Agriculture, 2023, 5(3): 49-61.
DOI：10.12133/j.smartag.SA202308013
官网全文免费阅读
知网阅读
基于无人机遥感和深度学习的葡萄卷叶病感染程度诊断方法
刘易雪 1，2，3 ， 宋育阳 4 ， 崔萍 5 ， 房玉林 4 ， 苏宝峰 1，2，3*
（1.西北农林科技大学 机械与电子工程学院，陕西杨凌 712100，中国；2.农业农村部农业物联网重点实验室，陕西杨凌 712100，中国；3.陕西省农业信息感知与智能服务重点实验室，陕西杨凌 712100，中国；4.西北农林科技大学 葡萄酒学院，陕西杨凌 712100，中国；5.宁夏贺兰山东麓葡萄产业园区管理委员会，宁夏银川，750002，中国）
摘要：
［目的/意义］ 葡萄卷叶病是一种严重影响葡萄产量和品质的病害。葡萄卷叶病感染程度类别之间存在严重的数据不平衡，导致无人机遥感技术难以进行精确的诊断。针对此问题，本研究提出一种结合细粒度分类和生成对抗网络（Generative Adversarial Network，GAN）的方法，用于提高无人机遥感图像中葡萄卷叶病感染程度分类的性能。
［方法］ 以蛇龙珠品种卷叶病识别诊断为例，使用GANformer分别对每一类的葡萄园正射影像的分块图像进行学习，生成多样化和逼真的图像以增强数据，并以Swin Transformer tiny作为基础模型，提出改进模型CA-Swin Transformer，引入通道注意力机制（Channel Attention，CA）来增强特征表达能力，并使用ArcFace损失函数和实例归一化（Instance Normalization，IN）来改进模型的性能。
［结果和讨论］ GANformer可以生成FID score为93.20的蛇龙珠虚拟冠层图像，有效地改善数据不平衡问题。同时，相比基于卷积神经网络（Convolutional Neural Networks，CNN）的深度学习模型，基于Transformer的深度学习模型在卷叶病感染程度诊断的问题上更具优势。最佳模型Swin Transformer在增强数据集上达到83.97%的准确率，比在原始数据集上提高3.86%，且高于GoogLeNet、MobileNetV2、NasNet Mobile、ResNet18、ResNet50、CVT和T2TViT等对照模型。而本研究所提的CA-Swin Transformer在增强数据后的测试集上达到86.65%的分类精度，比在原始的测试集上使用Swin Transformer精度提高6.54%。
［结论］ 本研究基于CA-Swin Transformer使用滑动窗口法制作了葡萄园蛇龙珠卷叶病严重程度分布图，为葡萄园卷叶病的防治提供了参考。同时，本研究的方法为无人机遥感监测作物病害提供了一种新的思路和技术手段。
关键词： 无人机遥感；深度学习；生成对抗网络；Swin Transformer；酿酒葡萄卷叶病；数据增强；注意力机制
文章图片
图1 宁夏西鸽酒庄葡萄园调查点分布及葡萄冠层患病不同等级的无人机遥感影像
Fig. 1 The location of field survey and grapevine canopy images of the grapevines with different levels infection in the vineyard of Xige Estate， Ningxia
图2 GANformer模型
Fig. 2 GANformer model overview
图3 改进后的CA-Swin Transformer结构
Fig. 3 The network architecture of the improved CA-Swin Transformer
图4 在田块尺度使用滑动窗口遍历蛇龙珠冠层
Fig. 4 Grapevine canopy detection with slide windows at the field scale
图5 酿酒葡萄冠层无人机遥感模拟图像生成方法研究GANformer训练过程中FID score下降曲线
Fig. 5 FID score curve during GANformer training process for grapevine canopy simulated UAV image generation
图6 GANformer模拟图像生成过程
Fig. 6 The image generation process of GANformer simulation
图7 使用GANformer增强酿酒葡萄冠层无人机遥感图像数据前后深度学习分类结果对比
Fig. 7 Comparison of deep learning classification results before and after using GANformer to enhance data for grapevine canopy simulated UAV image generation
图8 酿酒葡萄冠层无人机遥感模拟图像生成方法研究基于t-SNE对模型学习到的冠层细粒度特征进行降维显示
Fig. 8 Dimensionality reduction display of canopy fine-grained- features learned from the model based on t-SNE for grapevine canopy simulated UAV image generation
图9 卷叶病严重程度诊断的CA-Swin Transformer测试混淆矩阵
Fig. 9 CA-Swin Transformer confusion matrix on test for grapevine leafroll disease severity infection diagnosis
图10 基于Grad-CAM显示改进模型过程中的类激活图
Fig. 10 class activation diagram based on Grad-CAM display model improvement
图11 基于CA-Swin Transformer的葡萄园蛇龙珠卷叶病严重程度分布
Fig. 11 Grapevine canopy detection with slide windows at the field scale based on CA-Swin Transformer
通信作者简介
苏宝峰 教授
苏宝峰，男，教授，博士生导师，西北农林科技大学机械与电子工程学院，中国农业机械学会基础技术分会第十届委员会委员，中国计算机学会数字农业分会执行委员，中国农业工程学会高级会员，北海道大学伙伴（Hokkaido University Partner），北海道大学农学研究院农业科学先驱全球教育项目Fellow。长期从事精准/智慧农业关键技术创新集成与田间植物表型组学相关研究，先后主持国家自然科学基金项目、留学回国人员启动基金项目、陕西省重点研发计划项目、宁夏回族自治区重点研发计划项目课题、广西壮族自治区重点研发计划项目课题等多项国家及省部级项目。
来源：【智慧农业（中英文）】2023年第3期
转载请联系编辑部授权
智慧农业微信交流服务群
为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。 入群方法： 加小编微信 331760296 ， 备注： 姓名、单位、研究方向 ，小编拉您进群，机构营销广告人员勿扰。
发布征集
欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。
