基于超分辨率重建和Transformer的退化草地空斑定位方法

S25%S352; 无人机补播是草地修复的有效手段之一.针对无人机作业过程中,空斑定位精度不高导致的效率低下、工作量大等问题,该研究提出一种基于无人机图像超分辨率重建和Transformer的退化草地空斑定位方法YOLOFG(YOLO for Gap).首先基于YOLOv5s网络框架,在模型颈部设计联级特征纹理选择模块,强化模型特征纹理细节聚焦力,解决无人机空斑影像尺度变化大、纹理模糊问题;其次,以ShuffleNetV2构建主干网络,嵌入信息交互Transformer自注意力结构,提取像素间更多差异化特征,以提升模型对空斑边缘像素的精确捕获能力;最后,基于空斑锚框信息建立无人机位姿信息和空间...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 40; no. 10; pp. 203 - 212
Main Authors 陆健强, 常虎虎, 兰玉彬, 王量, 罗浩轩, 黄捷伟, 袁家俊
Format Journal Article
LanguageChinese
Published 国家精准农业航空施药技术国际联合研究中心,广州 510642%华南农业大学电子工程学院(人工智能学院),广州 510642 01.05.2024
岭南现代农业科学与技术广东省实验室河源分中心,河源 517000
华南农业大学电子工程学院(人工智能学院),广州 510642
Subjects
退化草地
Transformer
super-resolution reconstruction
degraded grassland
gap
空斑
无人机
UAV
超分辨率重建
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.202401028

Cover

More Information
Summary:S25%S352; 无人机补播是草地修复的有效手段之一.针对无人机作业过程中,空斑定位精度不高导致的效率低下、工作量大等问题,该研究提出一种基于无人机图像超分辨率重建和Transformer的退化草地空斑定位方法YOLOFG(YOLO for Gap).首先基于YOLOv5s网络框架,在模型颈部设计联级特征纹理选择模块,强化模型特征纹理细节聚焦力,解决无人机空斑影像尺度变化大、纹理模糊问题;其次,以ShuffleNetV2构建主干网络,嵌入信息交互Transformer自注意力结构,提取像素间更多差异化特征,以提升模型对空斑边缘像素的精确捕获能力;最后,基于空斑锚框信息建立无人机位姿信息和空间平面的成像模型,实现目标空斑的精准定位.试验结果表明,YOLOFG模型平均精度均值为96.57％,相较于原始YOLOv5s模型提升3.84个百分点;参数量约为6.24 M,比原始模型降低约11.2％.与YOLOv4、YOLOv7、YOLOv8模型相比,检测精度分别提高11.86、9.65、6.82个百分点.空斑定位的平均误差为0.4404 m,满足无人机作业对草地空斑精准定位的需求,可为开展退化草地植被恢复与重建工作提供技术支持.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.202401028