论文阅读：基于深度学习的保护性耕作下地面秸秆覆盖检测

主要内容：

利用无人机（UAV）低空遥感图像准确检测秸秆覆盖率。使用低空无人机获取保护性耕作农田的地面图像。在 ResNet18 上利用改进的 U-Net 建立了稻草覆盖的语义分割算法。该算法与VGG11–U-Net（以VGG11作为UNet提取模块的算法）、三角形算法（TRIANGLER）和“RGB、HSV和灰度+支持向量机（SVM）”（基于多色的算法）（基于多色空间信息融合结合SVM的算法）进行评估和比较。

优势：

残差神经网络修改的U-Net模型具有分割精度高、收敛速度快、图像特征自动抽象和分类、感受野和权重共享、参数少等特点。简化计算。

一、图像采集：

二、图像处理

• 归一化（Z-score 标准化）

归一化 （Normalization）、标准化 （Standardization）和中心化/零均值化 （Zero-centered） - 简书

图像的大小计算 位深和色深_奥比中光3D视觉开发者社区的博客-CSDN博客_颜色深度怎么计算梯度下降（Gradient Descent）小结 - 刘建平Pinard - 博客园

 μ——总体数据的均值

σ——总体数据的标准差

x——个体的观测值

• 数据增强

由最初数据：

增强后得到数据：

• 卷积神经网络

原网络结构（u-net）:

改进：将残差学习单元引入到深度 U-Net 网络中 

 σ ——整流线性单元 (ReLu) 的激活函数

 w1 和 w2——残差结构的第一层和第二层的权重

b ——偏差

结构表达式：

 当恒等映射（a）的维度与卷积输出的维度不同时，恒等映射 x 应使用线性映射（b） wd 处理以匹配维度:

现网络结构（改进后）：

收缩（左）和扩张（右）。在左侧，将 U-Net 前面的特征提取模块替换为 ResNet18，输入层后面是一个 7×7 的卷积层和一个 3×3 的最大池化层。然后在 ResNet18 中应用了 4 个阶段，每个阶段在特征提取过程中由两个残差块组成。同一块中特征图像的尺寸相同，但为前一个块的一半。因此，特征图像的尺寸在块之间是不同的。膨胀部分的作用是利用特征图像来提取稻草。这部分的每个阶段由特征图像上采样、链接块和卷积块组成。卷积块包括一个 3×3 转置卷积层、归一化层和 ReLU。在每个神经网络的末端添加一个 1×1 的卷积层，将 64 通道的特征图像转换为像素类的分数。