1T/JAASSXX—2022大田小區(qū)小麥麥穗遙感智能計(jì)數(shù)規(guī)程本文件規(guī)定了以無人機(jī)影像為遙感數(shù)據(jù)，規(guī)定了影像獲取、影像預(yù)處理、大田小麥麥穗數(shù)量計(jì)算、測報(bào)產(chǎn)品制作等方法。本文件適用于江蘇省小麥種植區(qū)。2規(guī)范性引用文件下列文件中的內(nèi)容通過文中的規(guī)范性引用而構(gòu)成本文件必不可少的條款。其中，注日期的引用文件，僅該日期對應(yīng)的版本適用于本文件；不注日期的引用文件，其最新版本（包括所有的修改單）適用于本文件。GB/T14950攝影測量與遙感術(shù)語GB15968遙感影像平面圖制作規(guī)范GB/T20257-2017國家基本比例尺地圖圖式GB/T17798地理空間數(shù)據(jù)交換格式GJB2700衛(wèi)星遙感器術(shù)語DB32/T2430-2013大田小麥長勢遙感測報(bào)操作規(guī)范QX/T364-2016衛(wèi)星遙感冬小麥長勢測報(bào)圖形產(chǎn)品制作規(guī)范CH/Z3001-2010無人機(jī)航攝安全作業(yè)基本要求3術(shù)語和定義下列術(shù)語和定義適用于本文件。3.1麥穗密度spikedensity指在農(nóng)田中單位面積內(nèi)麥穗的數(shù)量。通常以每平方米或每公頃的麥穗數(shù)量來表示。3.2監(jiān)測時期Monitoringperiod小麥成熟期。3.3遙感器Remotesensor能感測事物并能將感測的結(jié)果傳遞給使用者的儀器。[GJB2700-1996]3.4機(jī)器學(xué)習(xí)Machinelearning利用統(tǒng)計(jì)學(xué)和計(jì)算機(jī)科學(xué)的方法，讓計(jì)算機(jī)從數(shù)據(jù)中學(xué)習(xí)并產(chǎn)生模型，用于識別和計(jì)數(shù)小麥麥穗等任務(wù)。3.52T/JAASSXX—2022計(jì)數(shù)精度Accuracyassessment對計(jì)數(shù)結(jié)果的準(zhǔn)確性進(jìn)行評估和驗(yàn)證的過程，與實(shí)地采樣或其他手段相結(jié)合進(jìn)行。3.6多時相圖像Multi-temporalimages不同時間獲取的同一地區(qū)的圖像。[GB/T14950-2009]3.7種植制度Croppingsystem指一個地區(qū)或生產(chǎn)單位的作物組成、配置、熟制與種植方式的綜合。3.8遙感技術(shù)Remotesensingtechnology指利用衛(wèi)星、無人機(jī)等遙感平臺獲取地球表面信息的技術(shù)，通常包括數(shù)據(jù)獲取、處理、分析和應(yīng)用等方面。3.8高分辨率圖像Highresolutionimage指圖像中每個像素代表的地面面積較小，能夠提供更為細(xì)致的地物信息的圖像。3.9平均絕對誤差MeanAbsoluteError衡量的是模型預(yù)測的麥穗數(shù)量與實(shí)際數(shù)量之間的平均絕對差值。3.9均方根誤差RootMeanSquaredError均方根誤差對平均絕對誤差進(jìn)行了平方處理，更注重較大誤差的影響4智能計(jì)數(shù)流程4.1數(shù)據(jù)采集使用無人遙感平臺獲取高分辨率圖像。于晴朗、無云、無風(fēng)或微風(fēng)的天氣，飛行高度12m,采用Z字型航線覆蓋目標(biāo)農(nóng)田范圍。傳感器鏡頭垂直向下,數(shù)據(jù)獲取時間與地面調(diào)查時間保持一致,4.2輻射校正對獲取到的遙感圖像數(shù)據(jù)進(jìn)行輻射校正，利用機(jī)載傳感器配套的定標(biāo)板將獲取的無人機(jī)影像DN值圖像轉(zhuǎn)換為反射率圖像，轉(zhuǎn)換公式為：Rrs=DN×DB×B式中：Rrs——遙感反射率；DN——遙感影像像元亮度值（DigitalNumber），無單位；DB——定標(biāo)板像元亮度值；B——定標(biāo)板的校正系數(shù)；4.3幾何校正通過添加已知控制點(diǎn)，對無人機(jī)影像進(jìn)行幾何精校正，校正后的影像地理位置偏差應(yīng)小于1個像元。3T/JAASSXX—20224.4特征提取特征提取采用經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)作為基礎(chǔ)，通過一系列卷積層、池化層來提取圖像的局部特征。卷積層能夠捕捉圖像中的紋理、邊緣等局部信息，池化層則可以降低特征圖的維度，減少計(jì)算量。在卷積網(wǎng)絡(luò)提取的特征基礎(chǔ)上，引入Transformer架構(gòu)來捕捉圖像中的全局信息。Transformer中的自注意力機(jī)制可以對圖像中的不同區(qū)域進(jìn)行加權(quán)，使得模型能夠更好地理解麥穗在整個大田小區(qū)中的分布情況。4.5特征融合將傳統(tǒng)卷積網(wǎng)絡(luò)提取的局部特征和Transformer提取的全局特征進(jìn)行融合，融合的方式是通過注意力權(quán)重進(jìn)行加權(quán)求和，得到既包含局部細(xì)節(jié)又包含全局上下文信息的綜合特征。4.6密度計(jì)數(shù)利用生成的密度圖，首先進(jìn)行預(yù)處理以提高圖像質(zhì)量和準(zhǔn)確性。然后，通過提取密度圖中的麥穗?yún)^(qū)域，并采用像素級計(jì)數(shù)進(jìn)行麥穗數(shù)量統(tǒng)計(jì)。最后，對統(tǒng)計(jì)結(jié)果進(jìn)行分析，并以圖表或報(bào)告形式展示，以直觀呈現(xiàn)大田小區(qū)麥穗數(shù)量的分布情況。5精度檢測與評價(jià)5.1精度檢驗(yàn)對監(jiān)測區(qū)小麥提取結(jié)果精度檢驗(yàn)，可以采用兩種方法：有地面調(diào)查樣點(diǎn)區(qū)域，選取未參與地面樣本訓(xùn)練的定位點(diǎn)用于精度驗(yàn)證；采用與進(jìn)行小麥麥穗數(shù)量監(jiān)測的遙感圖像獲取時間相近、空間分辨率更高的遙感圖像數(shù)據(jù)，隨機(jī)選取的不少于50個的小麥樣本進(jìn)行精度評價(jià)。5.2精度評價(jià)根據(jù)計(jì)數(shù)結(jié)果和地面驗(yàn)證數(shù)據(jù)，采用平均絕對誤差和均方根誤差計(jì)算計(jì)數(shù)精度。確保計(jì)數(shù)結(jié)果與真實(shí)值的偏差較小，在5%以內(nèi)。樣本數(shù)量n，計(jì)算公式為：均方根誤差是先計(jì)算預(yù)測值與真實(shí)值差值的平方的平均值，然后再取其平方根，其計(jì)算公式為：6檢測產(chǎn)品制作大田小麥麥穗遙感智能計(jì)數(shù)專題報(bào)告可采用文字信息、專題圖和統(tǒng)計(jì)表格等形式表示。文字信息包括時間、范圍、無人機(jī)平臺及傳感器、地面分辨率、計(jì)數(shù)指標(biāo)等信息。專題圖包括圖名、圖例、比例尺、小麥生長參數(shù)分布信息以及行政區(qū)域邊界線，圖廓整飾內(nèi)容應(yīng)按GB15968執(zhí)行。統(tǒng)計(jì)表格包括統(tǒng)計(jì)區(qū)地名、統(tǒng)計(jì)數(shù)目等信息。4T/JAASSXX—2022大田小區(qū)小麥麥穗遙感智能計(jì)數(shù)模型智能計(jì)數(shù)模型該大田小區(qū)小麥麥穗遙感智能計(jì)數(shù)模型主要基于計(jì)算機(jī)視覺技術(shù)，融合了傳統(tǒng)卷積網(wǎng)絡(luò)與Transformer。首先是圖像采集與預(yù)處理環(huán)節(jié)，通過專業(yè)遙感設(shè)備采集大田小區(qū)小麥圖像，再進(jìn)行幾何校正來消除圖像因拍攝角度和地形產(chǎn)生的幾何變形，確保圖像與實(shí)際地理空間相符；同時進(jìn)行輻射校正，排除大氣和光照對圖像亮度、色彩的干擾，還原小麥真實(shí)狀態(tài)。接著是特征提取部分，傳統(tǒng)卷積網(wǎng)絡(luò)中，卷積層利用不同尺寸卷積核提取麥穗的紋理、形狀等局部特征，小尺寸卷積核（3x3）可捕捉細(xì)節(jié)，之后的池化層（最大或平均池化）降低特征圖維度、減少數(shù)據(jù)量且保留關(guān)鍵信息，使用激活函數(shù)ReLU引入非線性以增強(qiáng)學(xué)習(xí)復(fù)雜特征的能力。Transformer方面，先將經(jīng)過卷積網(wǎng)絡(luò)處理后的特征圖分塊，為這些圖像塊添加位置編碼讓Transformer理解其空間位置關(guān)系，再利用自注意力機(jī)制獲取麥穗在大田小區(qū)分布的全局特征。特征提取之后是融合與計(jì)數(shù)，特征融合采用注意力機(jī)制加權(quán)融合，通過為兩者特征圖賦予不同權(quán)重后求和。在密度計(jì)數(shù)上，先通過小型卷積神經(jīng)網(wǎng)絡(luò)把融合后的特征圖轉(zhuǎn)化為密度圖，再對密度圖進(jìn)行積分或求和運(yùn)算得到麥穗總數(shù)。模型訓(xùn)練在模型訓(xùn)練階段，構(gòu)建數(shù)據(jù)集時，收集大量不同條件下的大田小區(qū)小麥麥穗遙感圖像，并對圖像中麥穗數(shù)量進(jìn)行人工標(biāo)注。然后把數(shù)據(jù)集按一定7：1：1的劃分為訓(xùn)練集、驗(yàn)證集和測試集。在訓(xùn)練過程中，使用逐像像素的歐氏損失來訓(xùn)練網(wǎng)絡(luò)，計(jì)算模型預(yù)測的麥穗密度圖和實(shí)際麥穗密度圖之間的誤差，使模型能學(xué)習(xí)到麥穗真實(shí)分布情況。損失函數(shù)如下：其中PXi是第i