基于U-net神經網絡的煙草種植信息提取

張雷 劉昌華 石林峰 張鷹

(1.河南理工大學測繪與國土信息工程學院，河南 焦作 454000；2.自然資源部第一大地測量隊，陜西 西安 710054；3.河南省現代農業大數據產業技術研究院，河南 鄭州 450046)

引言

煙草的種植信息在我國的生產管理過程中有著十分重要的作用，可以為我國的煙葉種植以及收購提供重要的決策支持[1,2]。我國煙草的生產和消費在世界上占有重要地位，但由于我國地域面積廣闊，不同地區的地形條件各不相同。傳統的煙草面積提取常采用人工實地調查的方法進行，這樣不僅耗時費力，而且人為產生的因素可能增大測量的誤差[3]，很難實現對煙草進行實時監測。

在本原性錯誤中，近20%的錯誤為概念理解性錯誤，近80%的錯誤為數學推理錯誤．就數學推理錯誤進行了訪談，結果發現：職前教師之所以認為昆明空氣質量好，是因為主觀上認為昆明是全國有名的空氣質量好城市，加之計算平均數時發現兩者之間差異不大，所以就忽略這種差異，于是“想當然”地推理出“心中的答案”．

隨著遙感技術的發展，因其監測范圍大、快速成像和多波段的特點，被廣泛應用于作物監測中[4-6]。相比傳統的依靠人工實地測量的方法，運用遙感技術可以大大節省人力，并且可以提高其準確性[7]。劉蕓等[8]采用面向對象方法，根據烤煙的NDVI、光譜、紋理以及形狀等特征，提取烤煙種植信息，總體精度達91%；雷春苗等[9]利用隨機森林、支持向量機、BP神經網絡、SoftMax和最大似然分類器對柴達木地區的枸杞進行提取，幾種分類器都有著不錯的分類精度。

近年來深度學習興起，大量學者通過深度學習的方法進行作物分類和識別。Kussul等[10]利用深度學習方法對不同的數據進行農作物分類，取得了較高的準確率；董秀春等[11]利用開放的Google Earth影像結合U-net網絡模型，對云南省隴川縣甘蔗種植區進行提取，總體精度達92%，面積精度為94%；陳妮等[12]利用U-Net深度學習網絡模型對新昌縣土地利用進行分類，取得了較高的精度；宋曉倩等[13]利用遷移學習方法提取葡萄種植信息，較傳統深度學習方法準確率提高了7%；李濤等[14]在imageNet數據集的基礎上，將模型進行微調，對玉米雄穗進行識別，證明深度學習方法在作物特征識別中的良好表現。

洛寧縣具有良好的生態環境，非常適合煙草的生長，煙草的種植一直處于洛陽市前列，成為當地的支柱性產業，也是當地人民脫貧致富的重要途經之一?？焖贉蚀_地掌握煙草的種植分布和面積等情況是政府決策部門的當務之急[15]。

實驗的硬件CPU為英特爾Xeon E5-1620v4@3.20GHz，GPU為NVIDIA Quadro M2000。TensorFlow后端的Keras深度學習框架實現U-net模型的搭建與實驗行每一個特征點的分類。Keras自帶的生成器不支持多波段，所以自己編寫實現，并對U-net網絡添加BN層和Dropout 層，優化器選用Adam，損失函數為交叉嫡函數。

1 材料與方法

1.1 研究區概況

高分二號(GF-2)衛星是我國自主研制的首顆空間分辨率優于1m(星下點全色分辨率0.8m)的民用光學遙感衛星，在作物識別、建筑物識別、礦山遙感監測、林業監測等方面有著廣泛的應用[17]。

1.2 數據來源及預處理

研究區位于河南省洛陽市洛寧縣，全縣面積2306km2，位于E111°08′～111°49′，N34°05′～34°38′。地形地貌總體呈“七山二塬一分川”，生態環境良好，全縣耕地面積約8.67萬hm2，適宜種煙面積達3.73萬hm2。本研究實驗區選擇洛寧縣小界鄉，該鄉連續7a被洛寧縣政府評為“煙葉生產先進鄉鎮”，連續4a被洛陽市政府評為“煙葉生產先進鄉鎮”[16]。

U-net是一個優秀的語義分割模型，如圖1所示。U-net網絡主要分為上采樣和下采樣部分，下采樣也就是主干特征提取網絡，利用主干部分，獲得5個初步有效特征層；在加強特征提取網絡部分，對獲得的特征層進行上采樣，并進行特征融合，進而得到一個融合所有特征的有效特征層；利用預測網絡，對獲得的融合所有特征的有效特征層進行每一個特征點的分類。

結合當地各類作物的物候，7月左右煙草與其它作物最易區分，因此本研究使用高分二號衛星PMS傳感器在2020年7月7日的洛寧縣區域的5景遙感影像，數據來源于中國資源衛星應用中心(www.cresda.com/CN/)[18]。其中，4景用來制作深度學習訓練樣本，1景用來煙草信息的提取。另外,利用無人機拍攝的小范圍高分辨率影像，集思寶實地調查記錄煙草地塊空間位置信息數據，輔助后期樣本標簽的制作。

利用ENVI 5.3對原始影像進行輻射定標、大氣校正、正射校正和影像融合等預處理操作。并通過Arcgis軟件結合無人機、集思寶數據對煙草地塊進行標注。用于制作深度學習訓練標簽。

1.3 數據集構建

通過ENVI 5.3對高分二號原始影像進行數據預處理，將包含較多煙草的區域剪切出來，并利用ARCGIS進行煙草樣本的標注，如果直接將圖像輸入到深度學習網絡中，會導致內存溢出，因此需要將影像剪切成合適的小塊，本研究通過python腳本對影像和標簽圖像進行隨機裁剪，生成大小均為256×256的衛星圖像和標簽圖像。因樣本數量有限，為了避免訓練過程中出現過擬合現象，需要對數據進行數據增強[19]。將裁剪處理后的原始影像和標簽圖像進行水平翻轉、豎直翻轉以及對角翻轉，樣本擴充到2000張。按照7∶3的比例將樣本分類訓練集和驗證集。

1.4 分類方法

由表２可以看出，大學生之所以選擇貸款，絕大部分原因是為了補貼生活費．提前消費是選擇貸款的一個主要推動力，消費欲望則是選擇貸款的另一大推動力．隱藏在校園貸中的一個主要問題是大學生盲目消費，不能合理支配資金．在調查的520個學生中，有123個大學生使用過校園貸．在使用過校園貸的學生中，有56.10%的大學生貸款金額在1 000元以內，貸款金額1 001~5 000元的占20.32%，5 001~10 000元的占10.57%，有13.01%的大學生竟貸款達到了1萬元以上，遠遠超過了他們的承擔能力．這表明當代大學生存在很多不考慮自身情況及后果的個體，缺少前瞻性．

在模型訓練時，為控制網絡的穩定性，初始學習率設置為1×10-4，通過Adam優化器計算損失值相對于網絡參數的梯度，將參數進行反向傳播，進而降低損失值[21]。設置迭代次數50次，給訓練模型設置回調函數，在val_loss連續10輪不下降則訓練停止，當3個epoch過去而val_loss不下降，學習率減半。訓練后繪制的loss和acc曲線如圖2、圖3所示，可以看出，訓練集和驗證集有很好的擬合效果。在進行40個epoch的時候，曲線開始趨于穩定，損失值在0.02左右波動。說明學習率設置較為合理，損失函數實現快速收斂，可見U-net網絡對煙草數據集進行了有效的學習。

圖1 U-net網絡模型

1.5 模型評價指標

為了評價模型在煙草提取中的性能，本研究對測試結果進行準確率(P)、召回率(R)和F1值等評價[20]。計算公式：

(1)

(2)

(3)

從目前的大學生就業形勢來看，就業形勢嚴峻并不是工作崗位少，而是工作崗位的匹配度不高，市場上所需的人員和職業，市場營銷占據了大多數。但大學生的就業觀念還是停留在傳統的觀念上，認為政府機關、國企、銀行、大公司、外資企業的職業是金飯碗，希望到這類地方就業，可是，大學生喜歡的就業部門都存在不同程度的減員增效和機構合并，崗位十分有限，相比之下就顯得就業難度較大。此外，由于大學生剛出校門，沒有技術經驗和資金積累，要想進行創業就要突破許多障礙，但難度較大，成功率較低。即使成功后，由于門檻低、技術性不強等原因也會被市場淘汰。

2 結果與分析

2.1 U-net模型訓練

當前建筑企業管理在工作開展過程中并沒有嚴格按照《企業會計準則》等相關文件的指導來開展壞賬準備工作。建筑企業過度追求產品銷售的利益，在進行賒銷銷售款收回過程中，其清算工作并沒有按時開展，對應的資金收回工作也受到影響。同時，工作人員并沒有及時與供貨方取得聯系，隨著時間的推移，建筑企業收回資金的可能性逐漸下降。在這種情況下，購貨單位對還款工作的重視程度也會逐漸下降，不斷地延遲還款，導致建筑企業的壞賬率逐漸提高。

（2）35歲（含 35歲）以下護理人員，調查中顯示來自學習方面的壓力很少，說明這一年齡段的人員希通過學習來提高自己，針對這個特點，工會可結合自身的“一活動 一工程”等活動開展一系列的職工技能競賽和培訓；

因為網絡上并沒有公開的煙草數據集，本研究使用自己制作的數據集對初始網絡進行訓練，輸入的圖像大小為256×256尺寸，將數據集按7∶3劃分為訓練集和驗證集輸入到訓練網絡中。

式中，TP表示樣本的真實類別是正類，并且模型識別的結果也是正類的數量；FP表示樣本的真實類別是負類，但是模型將其識別為正類的數量；FN表示樣本的真實類別是正類，模型將其預測為負類的數量。

進行基層區隊腐敗治理的過程當中，還需要做好第四步的工作，凸顯出論劍的效果。不斷健全相應的監督管理制度，以達到應有的目的。具體而言，第一，應該對企業員工工資與獎金的分配流程予以優化和嚴格管控，通過組織開展相應的會議，同時將會議的內容予以公開，形成規范化的審批模式，要求員工親自在工資表上簽字，維護好職工的利益。第二，注重基層區隊文書的管控。依靠構建相應的業績考察、溝通互動以及腐敗治理等相關機制，達到一定的約束與管控的效果[4]。

圖2 U-net訓練集和驗證集loss曲線

圖3 U-net訓練集和驗證集acc曲線

2.2 圖像預測結果及驗證

利用訓練好的模型對待分類影像進行預測，在預測過程中，如果直接將影像輸入到模型中會造成內存的溢出。所以，一般將圖像裁剪成較小的圖像分別輸入到模型中進行預測，然后再將預測結果按順序拼接起來。如果采用常規的規則網格裁剪，最后預測拼接的效果并不是很好，會有明顯的拼接痕跡。因此，采用忽略邊緣預測，有重疊地裁剪影像，在拼接時再采用忽略邊緣的方法進行拼接。

將預測結果與標注后的真實煙草標簽圖像進行精度評價，原始圖像和人工目視標注的標簽圖像以及預測結果圖像如圖4～6所示，將預測結果與實際標注的結果進行精度評價，取得了90.68%的精確率和92.87%的召回率。綜合評價指標F1值為91.76%。

圖4 原始圖像

2.3 不同模型煙草提取結果對比

為了進一步驗證本文所使用的U-net網絡模型的有效性，使用其它常用的分類模型進行煙草提取并進行精度對比。從圖7可以看出，KNN、Decision Tree和Random Forset模型的準確率分別為87.68%、83.65%和89.21%，相比之下，U-net網絡模型的準確率比其它模型平均高出3.8%。

圖5 人工目視標簽圖像

圖6 U-net網絡預測圖像

圖7 各分類模型煙草提取準確率

以上結果表明，U-net神經網絡模型在少量訓練樣本的時候，依舊可以取得很好的信息提取效果。

3 結束語

本研究使用U-net神經網絡模型，實現了對煙草種植的提取，對于沒有公開的煙草數據集的情況，通過實地調查結合目視解譯制作深度學習訓練標簽。通過與其它常用分類模型進行精度對比，U-net在少量數據集的情況下，表現出良好的性能。

相關研究還有待深入，需解決面積漏分的問題，需進一步提高訓練樣本的多樣性和優化網絡模型；不同煙葉種植地區地形各不相同，本文只對洛寧縣山區進行煙草面積提取，后續可在擴大數據集的基礎上，開展不同地形情況下煙草種植面積提取研究，并進一步探究U-net網絡模型的普適性。