一种利用无人机（UAV）高光谱成像技术的3D-2DCNN-CA方法来增强山核桃树种类分类的方法

2024年2月18日，杭州高谱成像技术有限公司复工复产，在此祝全国全球各位合作伙伴，龙年开工大吉！

综述：

近期，浙江农林大学的科研团队针对浙江特色经济作物山核桃树做了基于无人机载高光谱的山核桃培育方面的研究，研究成果被中科院二区刊物录用。

这项研究使用了无人机（UAV）高光谱成像技术，并引入了3D-2DCNN-CA方法来提高对山核桃树物种的准确分类能力。以下是该研究的主要亮点：

• 通过收集UAV高光谱和RGB图像，并进行现场调查，完成了数据采集。
• 数据集的创建和处理包括图像预处理、标记、标准化、降维和数据划分。
• 利用机器学习和深度学习技术建立了分类方法。
• 对不同模型的有效性进行了比较，包括RGB与高光谱图像的分析，并评估了提出的方法与其他方法的比较。
• 研究结果表明，使用高光谱图像能够获得更准确的树种分类结果。
• 引入了3D-2DCNN-CA方法，并在两个数据集上进行了验证。
• 结合了3D-CNN、2D-CNN和通道注意力机制，取得了最佳结果。

通过这些步骤，研究旨在更准确地分类山核桃树的不同物种和同种个体，从而有助于更好地理解和管理植被资源。

方法

这个研究描述了一种使用无人机（UAV）高光谱成像技术准确分类山核桃树物种的方法，如文中所述，本次展开研究采用的是杭州高谱成像技术有限公司所供的无人机载高光谱成像采集系统和杭州高谱独立自主的数据采集软件系统，数据分析系统。以下是研究的主要步骤：

• 数据采集： 使用无人机获取山核桃树的高光谱和RGB图像，同时进行现场条件的调查。
• 数据集创建和处理： 包括图像预处理、标记、标准化、降维以及数据的划分。
• 方法建立： 利用机器学习和深度学习技术建立分类方法。
• 性能比较： 比较不同模型的有效性，包括RGB与高光谱图像的分析，并评估提出的方法与其他已建立方法的比较。

整个研究的流程如图1所示。通过这些步骤，研究旨在提高对山核桃树不同物种的准确分类能力，从而更好地理解和管理植被资源。

论文所用设备：

HY9010L为杭州高谱第一代批量销售、成熟稳定的机载高光谱设备，具备图文同步，实时可控，可查可阅，可调整采集参数等特点，目前已经适配大疆m600/科卫泰x60l/纵横固定翼/海康无人机/华测p580/直升机等不同作业情况。

结论

个体树尺度的准确分类： 与其他使用样方作为基本单元的树种分类研究不同，这项研究在个体树尺度上使用了UAV高光谱成像和3D-2DCNN-CA模型，成功实现对山核桃树物种的准确分类。尽管由于一些树冠重叠和标签质量限制而在树木之间的分割效果受到一定影响，但实验结果表明，该方法有效提高了山核桃树物种的分类准确性，为精确林业的推广提供了支持，为森林资源管理和保护提供了有用的帮助。

高光谱图像的优势： 在高光谱真彩图像中，不同的树种呈现出独特的颜色和形状特征，使它们在图像中易于识别。研究结果表明，相比于RGB图像，高光谱图像由于其丰富的光谱信息，在不同树种的分类上获得了更高的精确度。这进一步验证了高光谱图像在分类高度同质树种方面的优势。

深度学习方法的优越性： 传统的机器学习方法在利用高光谱图像进行树种分类研究中取得了满意的结果。然而，深度学习方法如卷积神经网络（CNN）能够自动学习和挖掘数据的特征和结构，具有强大的非线性表示能力。因此，它们能够更全面地从高光谱数据中提取复杂特征，提高分类准确性。这项研究中引入的3D-2DCNN-CA方法结合了3D-CNN、2D-CNN和聚类分析，取得了最佳结果。

与其他研究的比较： 讨论中提到了其他使用最大似然法（ML）、支持向量机（SVM）等传统方法的研究，这些方法在一些情况下取得了不错的分类准确性。然而，与深度学习方法相比，它们在从数据中提取复杂特征方面的能力相对较弱，因此在高度同质树种分类方面可能表现不如深度学习方法。

总的来说，这项研究通过结合UAV高光谱成像技术和深度学习方法，成功提高了对山核桃树物种的准确分类能力，为精确林业和森林资源管理领域提供了有益的研究成果

本研究通过构建3D-2DCNN-CA模型的方法，成功地实现了山核桃树种精细分类的任务。该模型在对不同树种间的山核桃进行分类时，具有较高的分类能力。

如需进一步了解设备详情或接洽科研团队，请联系吴先生：15305811372