基于改进RDN网络的无人机茶叶图像超分辨率重建

作     者：鲍文霞 吴育桉 胡根生 杨先军 汪振宇 BAO Wenxia;WU Yu'an;HU Gensheng;YANG Xianjun;WANG Zhenyu

作者机构：安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心合肥230601 中国科学院合肥物质科学研究院合肥230031 

出 版 物：《农业机械学报》 (Transactions of the Chinese Society for Agricultural Machinery)

年 卷 期：2023年第54卷第4期

页      面：241-249页

核心收录：

学科分类：082804[工学-农业电气化与自动化] 08[工学] 0828[工学-农业工程] 

基　　金：安徽省自然科学基金项目(2208085MC60) 国家自然科学基金项目(62273001)、安徽省高等学校自然科学研究重大项目(KJ2020ZD03) 安徽省中央引导地方科技发展专项(202107d06020001) 安徽省高校研究生科学研究项目(YJS20210013)。 

主　　题：茶叶 图像重建 超分辨率 残差组模块 卷积长跳跃结构 

摘      要：针对无人机搭建可见光传感器进行茶叶长势、病害等监测中因飞行高度影响图像分辨率的问题,本文提出了一种改进的残差密集网络(Residual dense network,RDN)用于无人机茶叶图像超分辨率重建。针对无人机茶叶图像纹理复杂的特点,以RDN为基线网络,在其结构中引入了残差组(Residual group,RG)模块,将多个残差通道注意力模块(Residual channel attention block,RCAB)组合在一起,通过引入注意力机制来区别对待不同的通道,关注无人机茶叶图像高频细节信息,从而提高网络的表征能力;同时设计了一个卷积长跳跃结构,利用带有卷积的远程跳跃连接,动态调整经过残差密集块(Residual dense block,RDB)后特征的权重,更好地利用无人机茶叶图像的分层特征信息,从而提升超分辨率重建图像的质量。实验结果表明,本文改进的RDN网络在无人机茶叶图像测试集上相较于其他算法表现更优,超分辨率重建后的图像具有更高的峰值信噪比和结构相似度,在4倍超分的情况下分别达到36.03 dB和0.9132,能够为茶叶智能化监测研究提供支持。