基于无人机图像的小麦耐热性分类方法研究.pdf
摘要
我国正面临着粮食供应紧张的挑战，提高粮食产量是解决这一问题的关键。小麦
是主要的粮食作物之一，其生长过程容易受到高温环境的影响，可能导致产量下降。
因此，鉴定耐热性强的小麦品种至关重要。然而传统的人工分类方法存在鉴别速度慢、
所需成本高等问题。通过使用搭载可见光和多光谱相机的无人机，可以实现小麦生长
过程的高通量监测，进而对小麦耐热性类别进行准确高效的分析。本研究选取安徽省
合肥市高新技术农业园作为研究区，利用无人机搭载可见光和多光谱相机作为数据获
取工具，开展了基于无人机图像的小麦耐热性分类方法研究。主要工作包括：
(1)GNB
基于光谱变量的小麦耐热性分类方法。该方法比较了高斯朴素贝叶斯（）、
K近邻算法（KNN）、随机森林（RF）和支持向量机（SVM）四种算法在小麦耐热
性分类任务上的性能，并选择SVM构建分类模型；为进一步消除冗余特征的影响，
对光谱变量进行了特征重要性筛选；随后，构建了基于Adaboost-SSA-SVM的小麦耐
热性分类模型，采用麻雀搜索算法（SSA）对SVM进行参数优化，并结合Adaboost
算法进行集成学习。实验结果表明，该模型对小麦耐热性分类的准确率达到90%。
(2)VGG16VGG19
基于多光谱图像的小麦耐热性分类方法。该方法采用、、
InceptionV3和DenseNet201四种网络构建了小麦耐热性分类模型，并结合预训练模
型进行了微调。随后，将SE、STN和CBAM三种注意力机制引入模型，以增强模型
对关键特征的关注度，并通过对比分析确定最优的注意力机制。最终选择了结合
CBAM模块的DenseNet201模型行小麦耐热性类别预测。实验结果表明，该模型在
小麦耐热性分类中的准确率超过了94%，较添加注意力模块前提升0.84%，有效提升
了小麦耐热性分类精度。
(3)基于无人机图像的小麦耐热性类别分析系统。本研究基于PyQt设计并开发了
一套可视化系统，支持用户上传多光谱小麦图像并反馈类别信息。测试结果表明，该
系统可为高通量的小麦耐热性分类提供参考。
关键词：耐热性分类；植被指数；卷积神经网络；注意力机制
II
目录
第一章绪论1
1.1选题背景与研究意义1
1.1.1我国小麦生产现状1
1.1.2高温胁迫对小麦的影响2
1.1.3研究意义4
1.2国内外研究现状4
1.2.1耐热性分类研究现状4
1.2.2无人机农业应用研究现状6
1.3研究内容7
1.4本文结构安排8
第二章无人机多光谱图像获取及处理10
2.1研究区概况与试验设计10
2.1.1研究区概况10
2.1.2试验设计10
2.2数据集构建13
2.2.1数据采集13
2.2.2小麦耐热性综合评价14
2.3数据集预处理15
2.3.1图像预处理15
2.3.2样本示例16
2.3.3植被指数计算16
2.4图像处理20
2.4.1图像分割20
2.4.2数据增强21
2.5本章小结22
第三章基于光谱变量的小麦耐热性分类方法23
3.1相关理论与技术23
3.1.1特征选择算法23
3.1.2机器学习分类算法24
3.2AdaBoost-SSA-SVM分类模型29