论文部分内容阅读
针对当前林木物候期识别方法特征提取不充分、未对关键特征进行区分,导致方法识别精度低、泛化性能较差的问题,本文建立了基于注意力机制的物候期识别模型,设计了多种不同结构的注意力机制实现形式,对通道注意力和空间注意力的融合形式进行研究,提出了不含全连接层的融合注意力模块。同时,从分离卷积与模型剪枝两个角度研究了轻量级的注意力网络模型,从而为物候期识别模型的应用场景扩展奠定了基础。为了验证模型的有效性,文章以Pheno Cam物候图像数据集为基础对模型进行训练与调优,将栎树、槭树两类树种作为研究对象,通过实验验证模型效果。实验结果表明,注意力模块的引入使模型的泛化性得到稳定提升,增强了模型对细粒度特征的识别效果,从而提升了对林木物候细微差异现象的感知与识别能力,提高了模型在易混淆物候期的识别精度。在不同结构的注意力模块结构中,无全连接层的注意力模块的CBAM-ECA性能最优,Res Next50-CBAM-ECA模型取得了最高的识别精度与较好的鲁棒性,模型通过残差神经网络充分提取各个物候期图像的特征,注意力机制的引入提高了特征利用效率,提升了模型的泛化性能,迁移应用至2019年度数据集表现良好,在槭林研究区的准确率为90.87%,栎林研究区的准确率为91.21%,优于其他模型组合。在轻量级网络的研究方面,经实验表明,引入注意力机制的Mobile Netv2在较低参数的同时保持了较高准确率,在两个研究区分别为87.39%与88.89%,说明了注意力机制在林木物候期识别领域的有效性。本文提出的基于注意力机制的物候识别模型解决了传统方法泛化能力较差的问题,具有准确度高、鲁棒性强等优势,能对形态差异较小的林木物候期进行精准区分,经压缩后的模型可部署于嵌入式设备等场景,适用于林木物候的长期观测,从而可为精准林业研究提供技术支撑。