[目的]本研究旨在改善基于深度学习的遥感影像田块语义分割中出现的区域不封闭、边缘不贴合、噪点问题,并进一步修正语义分割的识别错误。[方法]以安徽省阜南县、江苏省淮安市为研究地点,自建了农田田块数据集,引入考虑影像多尺度特征的尺度分割思想与基于物候学的DESTIN(delineation by fusing spatial and temporal information)分割算法,提出了基于多尺度及DESTIN约束的高分遥感影像农田田块语义分割方法。[结果]多尺度与DESTIN约束下基于深度模型的田块语义分割有效改善模型出现的区域不封闭、边缘不贴合、噪点和块状模糊等问题,一定程度修正了深度模型语义分割的错误识别,IoU指标在2个测试集上分别达到94.08%和90.79%,相较深度模型的遥感影像田块语义分割分别提高1.65%和2.32%,对研究区域的田块提取区域更完整、精度更高。[结论]多尺度及DESTIN约束进一步改善了田块语义分割问题,有助于提高高分遥感影像的田块识别精度。
[目的]奶牛臀宽是奶牛生长繁殖的重要评判标准,目前臀宽测量依旧以人工测量为主,费时费力,而且容易受主观因素影响。本文提出一种基于点云精准分割的奶牛臀宽自动测量方法。[方法]搭建奶牛后俯视深度图像采集系统,对原始数据进行处理,利用DBSCAN(density-based spatial clustering of applications with noise)方法剔除奶牛周围的背景。基于PointNet++神经网络,将奶牛坐骨结节进行分割并获取臀部区域。检测奶牛臀部区域的轮廓线,利用坐骨结节与尾巴之间的凹陷来判定坐骨结节的位置,最终计算出奶牛的臀宽。[结果]点云分割模型在交并比50%下的平均准确率可达94.2%,体尺测量的最大绝对误差为-5.53 cm,平均相对误差为5.84%。而奶牛在尾巴自然下垂状态时绝对误差为-2.02~2.22 cm,平均相对误差为3.79%。[结论]本文方法在奶牛尾巴自然下垂时效果最好,能够较好地实现奶牛臀宽自动检测。