基于超分辨率重建和Transformer的退化草地空斑定位方法

作     者：陆健强 常虎虎 兰玉彬 王量 罗浩轩 黄捷伟 袁家俊 LU Jianqiang;CHANG Huhu;LAN Yubin;WANG Liang;LUO Haoxuan;HUANG Jiewei;YUAN Jiajun

作者机构：华南农业大学电子工程学院(人工智能学院)广州510642 岭南现代农业科学与技术广东省实验室河源分中心河源517000 国家精准农业航空施药技术国际联合研究中心广州510642 

出 版 物：《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)

年 卷 期：2024年第40卷第10期

页      面：203-212页

核心收录：

学科分类：0828[工学-农业工程] 08[工学] 090101[农学-作物栽培学与耕作学] 09[农学] 0901[农学-作物学] 

基　　金：广东省重点领域研发计划项目(2023B0202090001) 广州市重点研发计划项目(2023B03J1392) 高等学校学科创新引智计划项目(D18019) 国家棉花产业技术体系项目(CARS-15-23) 

主　　题：退化草地 空斑 无人机 Transformer 超分辨率重建 

摘      要：无人机补播是草地修复的有效手段之一。针对无人机作业过程中,空斑定位精度不高导致的效率低下、工作量大等问题,该研究提出一种基于无人机图像超分辨率重建和Transformer的退化草地空斑定位方法YOLOFG(YOLO for Gap)。首先基于YOLOv5s网络框架,在模型颈部设计联级特征纹理选择模块,强化模型特征纹理细节聚焦力,解决无人机空斑影像尺度变化大、纹理模糊问题;其次,以ShuffleNetV2构建主干网络,嵌入信息交互Transformer自注意力结构,提取像素间更多差异化特征,以提升模型对空斑边缘像素的精确捕获能力;最后,基于空斑锚框信息建立无人机位姿信息和空间平面的成像模型,实现目标空斑的精准定位。试验结果表明,YOLOFG模型平均精度均值为96.57%,相较于原始YOLOv5s模型提升3.84个百分点;参数量约为6.24 M,比原始模型降低约11.2%。与YOLOv4、YOLOv7、YOLOv8模型相比,检测精度分别提高11.86、9.65、6.82个百分点。空斑定位的平均误差为0.4404 m,满足无人机作业对草地空斑精准定位的需求,可为开展退化草地植被恢复与重建工作提供技术支持。