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(nóng)業(yè)大棚在農(nóng)業(yè)發(fā)展中具有舉足輕重的地位，大棚提取對(duì)于農(nóng)業(yè)的可持續(xù)發(fā)展和環(huán)境治理尤為重要。現(xiàn)有方法很難獲得大棚的精確邊界。文章通過對(duì)比6種常見語義分割模型，探究空洞卷積及空間注意力機(jī)制對(duì)大棚提取結(jié)果的影響。以安徽省宿州市蕭縣作為研究區(qū)域，使用吉林1號(hào)衛(wèi)星遙感影像創(chuàng)建一個(gè)新的農(nóng)業(yè)大棚數(shù)據(jù)集。SA_UNet獲得了94.16%的準(zhǔn)確率，明顯優(yōu)于主流語義分割網(wǎng)絡(luò)模型結(jié)果，并且可以提取邊界更精確的大棚結(jié)果。

關(guān)鍵詞：高分辨率影像；農(nóng)業(yè)大棚；深度學(xué)習(xí)；語義分割

中圖分類號(hào)：TP391.4? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：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(xiàn)代農(nóng)業(yè)中的常用設(shè)施，可以最大限度地減少天氣條件、人為因素等外界環(huán)境對(duì)作物產(chǎn)量的影響，從而顯著提高作物產(chǎn)量，在農(nóng)業(yè)發(fā)展中發(fā)揮著至關(guān)重要的作用。根據(jù)第三次全國(guó)農(nóng)業(yè)普查數(shù)據(jù)，截至2016年底，我國(guó)農(nóng)業(yè)大棚面積達(dá)98.1萬公頃[1]。大量溫室大棚在帶來更大農(nóng)業(yè)產(chǎn)量的同時(shí)，也因?yàn)榭焖贁U(kuò)張而對(duì)環(huán)境造成一系列的影響，包括土壤污染和環(huán)境污染。因此，大規(guī)模溫室測(cè)繪不僅對(duì)估算一個(gè)國(guó)家的現(xiàn)代農(nóng)業(yè)覆蓋率作用明顯，對(duì)現(xiàn)代農(nóng)業(yè)的可持續(xù)發(fā)展和環(huán)境治理也至關(guān)重要。

傳統(tǒng)的大棚制圖主要是采用人工野外調(diào)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(wèi)星探測(cè)技術(shù)的發(fā)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(yīng)用于農(nóng)業(yè)災(zāi)害監(jiān)測(cè)、全球土地利用制圖、地震監(jiān)測(cè)、城市規(guī)劃等領(lǐng)域[2]。近年來，利用遙感衛(wèi)星觀測(cè)數(shù)據(jù)進(jìn)行農(nóng)業(yè)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(hào)影像，采用面向?qū)ο笞罱彽姆诸惙椒ㄍ瓿闪宿r(nóng)業(yè)陽光大棚信息的提取。隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)（CNN）已被廣泛應(yīng)用于遙感地物信息分類和大棚信息提取。宋廷強(qiáng)等[4]人采用一種改進(jìn)的多時(shí)相語義分割模型，充分利用圖像的空間信息和時(shí)間信息，可以快速實(shí)現(xiàn)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(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的農(nóng)業(yè)大棚提取方法，通過將預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)加載到ResNet網(wǎng)絡(luò)模型中，能夠有效提高大棚信息的提取精度。上述文獻(xiàn)針對(duì)大棚提取任務(wù)有不同的改進(jìn)優(yōu)化方法，但通過實(shí)驗(yàn)發(fā)現(xiàn)，網(wǎng)絡(luò)的加深會(huì)導(dǎo)致空間分辨率的降低和空間信息的發(fā)散。因此，本文采用Fan等[6]人提出的SA_UNet進(jìn)行農(nóng)業(yè)大棚信息的提取。該算法使用不同尺度的擴(kuò)張卷積來擴(kuò)大感受野，使網(wǎng)絡(luò)能夠有效地融合多尺度特征并增強(qiáng)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(diǎn)。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(qiáng)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(qū)，采用吉林1號(hào)衛(wèi)星數(shù)據(jù)探究SA_UNet在大棚提取中的應(yīng)用潛力，實(shí)現(xiàn)大棚信息的自動(dòng)化提取，以期為農(nóng)業(yè)生產(chǎn)設(shè)施管理提供數(shù)據(jù)支撐。

1? 數(shù)據(jù)材料

1.1? 研究區(qū)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(zhǎng)江三角洲地區(qū)、淮海經(jīng)濟(jì)區(qū)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(guó)家實(shí)施“一帶一路”“中原經(jīng)濟(jì)區(qū)”等全局性戰(zhàn)略和安徽省實(shí)施“東向發(fā)展”“皖北振興”等區(qū)域性戰(zhàn)略的節(jié)點(diǎn)。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(qū)三個(gè)不同自然區(qū)域的結(jié)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(gè)水系；蕭縣處于北亞熱帶和暖溫帶的過渡區(qū)，屬溫帶季風(fēng)氣候，兼有北方和南方的氣候特點(diǎn)。

1.2? 數(shù)據(jù)集的獲取及制作

由于農(nóng)業(yè)大棚公開數(shù)據(jù)集較少，難以滿足深度學(xué)習(xí)網(wǎng)絡(luò)模型的訓(xùn)練需求。因此，本文使用自制的農(nóng)業(yè)大棚數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)分析，采用2022年5月蕭縣吉林1號(hào)衛(wèi)星（空間分辨率0.75 m），運(yùn)用Arcgis軟件對(duì)研究區(qū)部分地區(qū)進(jìn)行大棚人工標(biāo)注，最后裁剪生成大小為256×256像素的數(shù)據(jù)集。該數(shù)據(jù)集包含3 660張精細(xì)標(biāo)注的農(nóng)業(yè)大棚圖像，每張圖像包含三個(gè)通道的信息：紅色（R）、綠色（G）、藍(lán)色（B）。為了增加樣本的多樣性，采用數(shù)據(jù)增強(qiáng)的方法對(duì)訓(xùn)練樣本進(jìn)行一定的處理，包括隨機(jī)裁剪、隨機(jī)旋轉(zhuǎn)、顏色增強(qiáng)和水平翻轉(zhuǎn)。擴(kuò)充后的數(shù)據(jù)集共包含5 000張圖像。訓(xùn)練、驗(yàn)證和測(cè)試數(shù)據(jù)集的比例為3：1：1，三個(gè)數(shù)據(jù)集相互獨(dú)立。圖像和標(biāo)簽數(shù)據(jù)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(nóng)業(yè)大棚形狀各異，其分布較為散亂，目前眾多學(xué)者對(duì)農(nóng)業(yè)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(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)對(duì)農(nóng)業(yè)大棚信息的自動(dòng)提取，但由于農(nóng)業(yè)大棚之間的密集分布及其類內(nèi)多樣性和類間相似性，利用現(xiàn)有模型提取農(nóng)業(yè)大棚信息存在一定的問題，例如提取錯(cuò)誤和遺漏[7]。語義分割算法中的編碼器-解碼器結(jié)構(gòu)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(dǎo)致出現(xiàn)地物邊界黏附問題。U-Net網(wǎng)絡(luò)作為語義分割中的經(jīng)典網(wǎng)絡(luò)，直接通過跳躍連接將低級(jí)特征和高級(jí)特征進(jìn)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(guān)鍵，基于U-Net改進(jìn)的深度學(xué)習(xí)進(jìn)行大棚信息提取應(yīng)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(gè)部分，它們通過跳躍連接組合在一起。整體結(jié)構(gòu)包括五個(gè)殘差模塊、五個(gè)ASPP模塊和四個(gè)SAM。骨干網(wǎng)絡(luò)的每個(gè)卷積層都伴隨著一個(gè)批量歸一化層和一個(gè)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(zhuǎn)置卷積的步長(zhǎng)為2×2。

2.1? 空洞空間金字塔池化（ASPP）

ASPP共有5個(gè)并聯(lián)的分支，第一個(gè)分支是一個(gè)1×1的普通卷積層；第二、第三、第四個(gè)分支使用3×3擴(kuò)張卷積，擴(kuò)張系數(shù)分別為6、12和18。第五個(gè)分支采用全局平均池化，然后通過1×1卷積改變通道數(shù)，最后使用雙線性插值將特征圖恢復(fù)到輸入大小。5個(gè)分支得到的特征在維度上是疊加的。輸出通道的數(shù)量是輸入通道的5倍。通過1×1卷積改變通道數(shù)，得到最終輸出。ASPP模塊使用一個(gè)膨脹的卷積，它在普通卷積的基礎(chǔ)上增加了空隙來擴(kuò)大感知領(lǐng)域。因此，通過感受野和融合多尺度特征，增強(qiáng)了淺層特征的表達(dá)能力。此外，通過融合殘差結(jié)構(gòu)，將ASPP模塊與骨干網(wǎng)絡(luò)相結(jié)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(diǎn)。

2.2? 空間注意力模塊（SAM）

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

3? 結(jié)果與分析

3.1? 訓(xùn)練過程與評(píng)價(jià)指標(biāo)

本文采用PyCharm編譯器實(shí)現(xiàn)模型代碼撰寫，主要選擇PyTorch 1.10.0版本的深度學(xué)習(xí)框架，操作系統(tǒng)為Windows 11，使用單張英偉達(dá)RTX 2080 Ti顯卡進(jìn)行GPU加速計(jì)算。訓(xùn)練數(shù)據(jù)共5 000張，每個(gè)訓(xùn)練批次設(shè)置為8，共訓(xùn)練200 epoch，學(xué)習(xí)率設(shè)為0.001。

圖像分割的本質(zhì)是對(duì)像素進(jìn)行分類，因此采用真正值True Positive（TP）、假正值False Positive（FP）、真負(fù)值True Negative（TN）、假負(fù)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(zhǔn)確率（Accuracy， Acc）作為評(píng)價(jià)指標(biāo)，計(jì)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(shù)量，本文涉及大棚和背景兩個(gè)類別，所以N為2。

3.2? 結(jié)果與分析

為了驗(yàn)證SA-UNet在大棚信息提取方面的優(yōu)越性，基于本文訓(xùn)練數(shù)據(jù)集分別采用U-Net、U-Net、AttU-Net、Segnet、HRNet、UNetResNet等模型進(jìn)行對(duì)比實(shí)驗(yàn)。

采用5個(gè)評(píng)估指標(biāo)（IoU、PA、MIoU、MPA和Acc）在測(cè)試集中分別對(duì)6個(gè)模型進(jìn)行精度評(píng)價(jià)，評(píng)價(jià)結(jié)果如表1所示。從表中可以看出，SA-UNet整體表現(xiàn)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(wǎng)絡(luò)結(jié)構(gòu)類似于U-Net，區(qū)別是U-Net在解碼器和編碼器同一層級(jí)只進(jìn)行拼接操作，此處加入了Attention Gate，用于將同層級(jí)的encoder部分編碼進(jìn)行加權(quán)。整體提取結(jié)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(gè)分辨率的分支，加上不斷進(jìn)行不同分支之間的信息交互，同時(shí)達(dá)到強(qiáng)語義信息和精準(zhǔn)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(yù)測(cè)精度相差較小。SegNet與UNetResNet預(yù)測(cè)的精度相對(duì)較差，準(zhǔn)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(wǎng)絡(luò)的大棚預(yù)測(cè)結(jié)果，從圖中可以看出，SA-UNet在大棚邊界線的提取上更為精細(xì)，與真實(shí)標(biāo)簽數(shù)據(jù)較為吻合。而U-Net、AttU_Net和HRNet模型提取結(jié)果相較于SA-UNet，結(jié)果偏差較小。AttU_Net因?yàn)闆]有將大棚分隔開，大棚提取結(jié)果出現(xiàn)了黏連現(xiàn)象，Unet主要表現(xiàn)為在中間細(xì)節(jié)提取結(jié)果相對(duì)較差，而HRNet與AttU_Net情況類似，大棚結(jié)果黏連程度較高。SegNet預(yù)測(cè)結(jié)果最差，大棚邊界不完整，漏提現(xiàn)象較為明顯。而UNetResNet的誤提現(xiàn)象較為明顯，大棚邊界線不明顯。

利用SA-UNet對(duì)蕭縣全縣進(jìn)行大棚信息提取，并按照鄉(xiāng)鎮(zhèn)邊界對(duì)大棚提取結(jié)果進(jìn)行分區(qū)統(tǒng)計(jì)，結(jié)果如圖3所示。結(jié)果表明，蕭縣2022年大棚統(tǒng)計(jì)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(zhèn)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(zhèn)大棚面積，共5 427.21畝，占大棚總面積的14.24%。

4? 結(jié)? 論

為了更好地實(shí)現(xiàn)農(nóng)業(yè)大棚遙感信息的提取，本文選擇分辨率為0.75 m的長(zhǎng)光衛(wèi)星數(shù)據(jù)制作了大棚數(shù)據(jù)集，選擇一種多尺度融合注意力模塊和空洞卷積的SA-UNet網(wǎng)絡(luò)，并采用U-Net、AttU-Net、Segnet、HRNet、UNetResNet網(wǎng)絡(luò)進(jìn)行大棚提取結(jié)果對(duì)比分析。結(jié)果表明，引入APSS和SAM模塊的SA-UNet精度最高，MIoU、MPA和Acc分別達(dá)到了93.23%、94.62%和96.19%。利用SA-UNet網(wǎng)絡(luò)對(duì)蕭縣全縣的大棚信息進(jìn)行提取，結(jié)果表明全縣大棚主要分布在西北方向，其中大屯鎮(zhèn)和黃口鎮(zhèn)的大棚面積排在前列。

今后的研究工作將在兩個(gè)方面進(jìn)行改進(jìn)。一是在數(shù)據(jù)集方面，更好地利用特征復(fù)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(kuò)大數(shù)據(jù)集，構(gòu)建不同分辨率、不同地區(qū)的農(nóng)業(yè)大棚數(shù)據(jù)集。二是在模型方面，復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)需要進(jìn)行大量的計(jì)算，需要兼顧SA-UNet的提取精度和計(jì)算速度。

參考文獻(xiàn)：

[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(guó)農(nóng)業(yè)科技導(dǎo)報(bào)，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(shù)與應(yīng)用，2021，36（4）：908-915.

[3] 趙璐，任紅艷，楊林生.基于高分二號(hào)遙感數(shù)據(jù)的農(nóng)業(yè)陽光大棚提取 [J].遙感技術(shù)與應(yīng)用，2019，34（3）：677-684.

[4] 宋廷強(qiáng)，張信耶，李繼旭，等.深度學(xué)習(xí)在多時(shí)相大棚提取應(yīng)用研究 [J].計(jì)算機(jī)工程與應(yīng)用，2020，56（24）：242-248.

[5] 石文西，雷雨田，汪月婷，等.基于深度學(xué)習(xí)的農(nóng)業(yè)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，F(xiàn)AN 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(jiǎn)介：劉森（1989—），男，漢族，河南鶴壁人，工程師，碩士，研究方向：測(cè)繪工程、攝影測(cè)量與遙感。