基于高分辨率影像的農業大棚信息提取

劉森 馬丙成

收稿日期：2023-05-09

DOI：10.19850/j.cnki.2096-4706.2023.22.032

摘? 要：農業大棚在農業發展中具有舉足輕重的地位，大棚提取對于農業的可持續發展和環境治理尤為重要。現有方法很難獲得大棚的精確邊界。文章通過對比6種常見語義分割模型，探究空洞卷積及空間注意力機制對大棚提取結果的影響。以安徽省宿州市蕭縣作為研究區域，使用吉林1號衛星遙感影像創建一個新的農業大棚數據集。SA_UNet獲得了94.16%的準確率，明顯優于主流語義分割網絡模型結果，并且可以提取邊界更精確的大棚結果。

關鍵詞：高分辨率影像；農業大棚；深度學習；語義分割

中圖分類號：TP391.4? 文獻標識碼：A? 文章編號：2096-4706（2023）22-0146-04

Information Extraction of Agricultural Greenhouse Based on High Resolution Image

LIU Sen， MA Bingcheng

（Bei Fang Investigation， Design & Research Co.， Ltd.， Tianjin? 300222， China）

Abstract： Agricultural greenhouses play an important role in agricultural development. The extraction of greenhouses is crucial to the sustainable development of agriculture and environmental governance. Existing methods are difficult to obtain the precise boundary of the greenhouse. Therefore， by comparing six common semantic segmentation models， this paper explores the impact of dilated convolution and spatial attention mechanism on the results of greenhouse extraction. Taking Xiaoxian County， Suzhou City， Anhui Province as the research area， a new agricultural greenhouse dataset is created using Jilin-1 satellite remote sensing images. SA_UNet achieved an accuracy rate of 94.16%， which is significantly better than the results of mainstream semantic segmentation network models， and can extract greenhouse results with more precise boundaries.

Keywords： high-resolution image; agricultural greenhouse; Deep Learning; semantic segmentation

0? 引? 言

溫室作為現代農業中的常用設施，可以最大限度地減少天氣條件、人為因素等外界環境對作物產量的影響，從而顯著提高作物產量，在農業發展中發揮著至關重要的作用。根據第三次全國農業普查數據，截至2016年底，我國農業大棚面積達98.1萬公頃[1]。大量溫室大棚在帶來更大農業產量的同時，也因為快速擴張而對環境造成一系列的影響，包括土壤污染和環境污染。因此，大規模溫室測繪不僅對估算一個國家的現代農業覆蓋率作用明顯，對現代農業的可持續發展和環境治理也至關重要。

傳統的大棚制圖主要是采用人工野外調查的方法，這種方法需要投入大量的人力和物力。隨著遙感衛星探測技術的發展，大范圍遙感影像的獲取變得越來越容易。目前，遙感影像已廣泛應用于農業災害監測、全球土地利用制圖、地震監測、城市規劃等領域[2]。近年來，利用遙感衛星觀測數據進行農業大棚提取的方法已成為主流方法。趙璐等[3]人基于高分二號影像，采用面向對象最近鄰的分類方法完成了農業陽光大棚信息的提取。隨著深度學習技術的不斷發展，卷積神經網絡（CNN）已被廣泛應用于遙感地物信息分類和大棚信息提取。宋廷強等[4]人采用一種改進的多時相語義分割模型，充分利用圖像的空間信息和時間信息，可以快速實現蔬菜大棚信息的高精度提取。石文西等[5]人提出一種基于殘差神經網絡和遷移學習的農業大棚提取方法，通過將預訓練的神經網絡加載到ResNet網絡模型中，能夠有效提高大棚信息的提取精度。上述文獻針對大棚提取任務有不同的改進優化方法，但通過實驗發現，網絡的加深會導致空間分辨率的降低和空間信息的發散。因此，本文采用Fan等[6]人提出的SA_UNet進行農業大棚信息的提取。該算法使用不同尺度的擴張卷積來擴大感受野，使網絡能夠有效地融合多尺度特征并增強淺層特征。通過融合殘差模塊，將淺層和深層特征深度融合，并有效利用淺層和深層特征的特點。為了將更多的空間信息集成到上采樣特征圖中，空間注意模塊（SAM）用于融合從跳躍連接獲得的特征圖與上采樣特征圖，以增強空間和語義信息的組合。本文以安徽省宿州市蕭縣為研究區，采用吉林1號衛星數據探究SA_UNet在大棚提取中的應用潛力，實現大棚信息的自動化提取，以期為農業生產設施管理提供數據支撐。

1? 數據材料

1.1? 研究區概況

蕭縣，安徽省宿州市轄縣，徐州都市圈副中心城市，地處安徽省北大門、江蘇省徐州近郊，位于長江三角洲地區、淮海經濟區的中心部位和華北平原的東南邊緣。素有“四省通衢”之稱，是國家實施“一帶一路”“中原經濟區”等全局性戰略和安徽省實施“東向發展”“皖北振興”等區域性戰略的節點。蕭縣由于黃泛沖擊，形成了西南平原、故黃河高地和東南淺山區三個不同自然區域的結合體，主屬黃淮沖積平原。蕭縣水系屬淮河流域，屬新汴河、故黃河、王引河3個水系；蕭縣處于北亞熱帶和暖溫帶的過渡區，屬溫帶季風氣候，兼有北方和南方的氣候特點。

1.2? 數據集的獲取及制作

由于農業大棚公開數據集較少，難以滿足深度學習網絡模型的訓練需求。因此，本文使用自制的農業大棚數據集進行實驗分析，采用2022年5月蕭縣吉林1號衛星（空間分辨率0.75 m），運用Arcgis軟件對研究區部分地區進行大棚人工標注，最后裁剪生成大小為256×256像素的數據集。該數據集包含3 660張精細標注的農業大棚圖像，每張圖像包含三個通道的信息：紅色（R）、綠色（G）、藍色（B）。為了增加樣本的多樣性，采用數據增強的方法對訓練樣本進行一定的處理，包括隨機裁剪、隨機旋轉、顏色增強和水平翻轉。擴充后的數據集共包含5 000張圖像。訓練、驗證和測試數據集的比例為3：1：1，三個數據集相互獨立。圖像和標簽數據集如圖1所示，其中白色表示大棚，黑色為背景。

2? 研究方法

農業大棚形狀各異，其分布較為散亂，目前眾多學者對農業大棚信息的提取主要采用多尺度特征的語義分割。雖然借助深度神經網絡可以實現對農業大棚信息的自動提取，但由于農業大棚之間的密集分布及其類內多樣性和類間相似性，利用現有模型提取農業大棚信息存在一定的問題，例如提取錯誤和遺漏[7]。語義分割算法中的編碼器-解碼器結構將輸入圖像下采樣為壓縮特征圖，隨后將特征圖上采樣回輸入圖像大小。在此過程中，密集分布的地物邊界信息丟失，導致出現地物邊界黏附問題。U-Net網絡作為語義分割中的經典網絡，直接通過跳躍連接將低級特征和高級特征進行特征融合，其中跳躍連接和特征融合是U-Net語義分割的關鍵，基于U-Net改進的深度學習進行大棚信息提取應用廣泛。因此本文采用空間注意力-空洞空間金字塔池化U-Net（SA-UNet），通過融合注意力和多尺度特征提高語義分割精度。

SA-UNet包括編碼器和解碼器兩個部分，它們通過跳躍連接組合在一起。整體結構包括五個殘差模塊、五個ASPP模塊和四個SAM。骨干網絡的每個卷積層都伴隨著一個批量歸一化層和一個ReLU層。在ASPP模塊中，空卷積伴隨著ReLU層，池化大小為2×2，卷積核大小為2×2，轉置卷積的步長為2×2。

2.1? 空洞空間金字塔池化（ASPP）

ASPP共有5個并聯的分支，第一個分支是一個1×1的普通卷積層；第二、第三、第四個分支使用3×3擴張卷積，擴張系數分別為6、12和18。第五個分支采用全局平均池化，然后通過1×1卷積改變通道數，最后使用雙線性插值將特征圖恢復到輸入大小。5個分支得到的特征在維度上是疊加的。輸出通道的數量是輸入通道的5倍。通過1×1卷積改變通道數，得到最終輸出。ASPP模塊使用一個膨脹的卷積，它在普通卷積的基礎上增加了空隙來擴大感知領域。因此，通過感受野和融合多尺度特征，增強了淺層特征的表達能力。此外，通過融合殘差結構，將ASPP模塊與骨干網絡相結合，深度融合淺層和深層特征，更有效地利用了淺層和深層特征的特點。

2.2? 空間注意力模塊（SAM）

空間注意力機制主要關注當前語義分割對象的位置，利用SAM能夠有效提高大棚與其他地物的區分度。SAM基于卷積注意力模塊（CBAM）的思想，它的思路是對輸入的特征圖進行全局池化和平均池化（在通道維度進行池化，壓縮通道大小，便于后面學習空間的特征），然后將全局池化和平均池化的結果，按照通道拼接，得到特征圖維度H×W×2。最后對拼接的結果進行卷積操作，得到特征圖維度H×W×1，通過激活函數進行處理。

3? 結果與分析

3.1? 訓練過程與評價指標

本文采用PyCharm編譯器實現模型代碼撰寫，主要選擇PyTorch 1.10.0版本的深度學習框架，操作系統為Windows 11，使用單張英偉達RTX 2080 Ti顯卡進行GPU加速計算。訓練數據共5 000張，每個訓練批次設置為8，共訓練200 epoch，學習率設為0.001。

圖像分割的本質是對像素進行分類，因此采用真正值True Positive（TP）、假正值False Positive（FP）、真負值True Negative（TN）、假負值False Negative（FN）表示分類情況，并引入交并比（Intersection over Union）、平均交并比（Mean Intersection over Union， IoU）、像素精度（Pixel Accuracy， PA）、平均像素精度（Mean Pixel Accuracy， MPA）和準確率（Accuracy， Acc）作為評價指標，計算式如（1）～（5）所示。

（1）

（2）

（3）

（4）

（5）

其中：nij表示混淆矩陣中第i行第j列的值，N表示分類數量，本文涉及大棚和背景兩個類別，所以N為2。

3.2? 結果與分析

為了驗證SA-UNet在大棚信息提取方面的優越性，基于本文訓練數據集分別采用U-Net、U-Net、AttU-Net、Segnet、HRNet、UNetResNet等模型進行對比實驗。

采用5個評估指標（IoU、PA、MIoU、MPA和Acc）在測試集中分別對6個模型進行精度評價，評價結果如表1所示。從表中可以看出，SA-UNet整體表現較好，MIoU為91.01%，MPA為92.45%，Acc為94.16%，均明顯高于其他模型。AttU_Net網絡結構類似于U-Net，區別是U-Net在解碼器和編碼器同一層級只進行拼接操作，此處加入了Attention Gate，用于將同層級的encoder部分編碼進行加權。整體提取結果與UNet較為接近，在大棚提取的IoU精度也較高，但在背景值中IoU值比SA-UNet低0.16%，比UNet低0.1%。HRNet通過并行多個分辨率的分支，加上不斷進行不同分支之間的信息交互，同時達到強語義信息和精準位置信息的目的。在大棚信息提取中也取得了較高的精度，與UNet的預測精度相差較小。SegNet與UNetResNet預測的精度相對較差，準確率均低于93%，其中SegNet的精度最低，為91.24%。

如圖2所示為不同網絡的大棚預測結果，從圖中可以看出，SA-UNet在大棚邊界線的提取上更為精細，與真實標簽數據較為吻合。而U-Net、AttU_Net和HRNet模型提取結果相較于SA-UNet，結果偏差較小。AttU_Net因為沒有將大棚分隔開，大棚提取結果出現了黏連現象，Unet主要表現為在中間細節提取結果相對較差，而HRNet與AttU_Net情況類似，大棚結果黏連程度較高。SegNet預測結果最差，大棚邊界不完整，漏提現象較為明顯。而UNetResNet的誤提現象較為明顯，大棚邊界線不明顯。

利用SA-UNet對蕭縣全縣進行大棚信息提取，并按照鄉鎮邊界對大棚提取結果進行分區統計，結果如圖3所示。結果表明，蕭縣2022年大棚統計面積為38 107.09畝，整體來看集中分布在蕭縣的西北方向，而其他方向均有小量集中分布。其中，大屯鎮大棚面積最多，共8 842.66畝，占大棚總面積的23.20%；其次為黃口鎮大棚面積，共5 427.21畝，占大棚總面積的14.24%。

4? 結? 論

為了更好地實現農業大棚遙感信息的提取，本文選擇分辨率為0.75 m的長光衛星數據制作了大棚數據集，選擇一種多尺度融合注意力模塊和空洞卷積的SA-UNet網絡，并采用U-Net、AttU-Net、Segnet、HRNet、UNetResNet網絡進行大棚提取結果對比分析。結果表明，引入APSS和SAM模塊的SA-UNet精度最高，MIoU、MPA和Acc分別達到了93.23%、94.62%和96.19%。利用SA-UNet網絡對蕭縣全縣的大棚信息進行提取，結果表明全縣大棚主要分布在西北方向，其中大屯鎮和黃口鎮的大棚面積排在前列。

今后的研究工作將在兩個方面進行改進。一是在數據集方面，更好地利用特征復雜、信息豐富的高空間分辨率遙感影像，提高算法的適用范圍，擴大數據集，構建不同分辨率、不同地區的農業大棚數據集。二是在模型方面，復雜的網絡結構需要進行大量的計算，需要兼顧SA-UNet的提取精度和計算速度。

參考文獻：

[1] 湯紫霞，李蒙蒙，汪小欽，等.基于GF-2遙感影像的葡萄大棚信息提取 [J].中國農業科技導報，2020，22（11）：95-105.

[2] 鄭磊，何直蒙，丁海勇.基于ENVINet5的高分辨率遙感影像稀疏塑料大棚提取研究 [J].遙感技術與應用，2021，36（4）：908-915.

[3] 趙璐，任紅艷，楊林生.基于高分二號遙感數據的農業陽光大棚提取 [J].遙感技術與應用，2019，34（3）：677-684.

[4] 宋廷強，張信耶，李繼旭，等.深度學習在多時相大棚提取應用研究 [J].計算機工程與應用，2020，56（24）：242-248.

[5] 石文西，雷雨田，汪月婷，等.基于深度學習的農業大棚遙感提取方法研究 [J].無線電工程，2021，51（12）：1477-1484.

[6] FAN X S，YAN C，FAN J L，et al. Improved U-Net Remote Sensing Classification Algorithm Fusing Attention and Multiscale Features [J].Remote sensing，2022，14（15）：3591.

[7] LI H Z，GAN Y H，WU Y J，et al. EAGNet： A method for automatic extraction of agricultural greenhouses from high spatial resolution remote sensing images based on hybrid multi-attention [J/OL].Computers and electronics in agriculture，2022[2023-04-03].https：//kns.cnki.net/kcms2/article/abstract？v=LeQIq0pPraN7z56UFBXYmp5cqSpFXzXCsduiAbZweC6AiaAe9bGL9EZuKyBS8MXTirYhYrZGc8diSPu5awtU8S7iNuIIiN_BX-gfhU1MQ8oHeSXyyDgHo5knlSwn4vhS&uniplatform=NZKPT.

作者簡介：劉森（1989—），男，漢族，河南鶴壁人，工程師，碩士，研究方向：測繪工程、攝影測量與遙感。