摘要
水稻是我国产量最高的主要农作物之一，粮食安全会随着水稻产量的波动而受到一定的影响，通过对水稻长势监测能够有效保障国家粮食安全。尤其是进入21世纪以来，我国人口日益增多，耕地面积却日益减少，因此保障水稻产量显得尤为重要。水稻倒伏灾情是造成水稻减产和降低水稻机械化自动收割效率的主要原因，水稻倒伏灾情的发生通常会伴随着恶劣天气现象，导致水稻倒伏灾后的查勘定损工作环境恶劣，影响水稻倒伏灾情查勘定损的效率，因此快速准确的提取水稻倒伏面积，建立水稻倒伏智能评估定损系统显得十分重要。近年来，基于深度学习的遥感影像识别算法如火如荼的发展，已经有很多针对遥感影像的语义分割网络，但是应用于水稻倒伏识别领域的却很少，本文开展了基于深度学习的水稻倒伏遥感影像识别研究，既有重要的理论意义，又有具体的实用价值。本文主要研究内容如下： （1）针对传统水稻倒伏信息获取方法效率低、信息不完整的问题，本文调研了水稻倒伏信息获取领域的现状，阐述了水稻倒伏遥感影像的获取思路。本文通过无人机遥感技术获取水稻倒伏遥感影像，并对遥感影像进行预处理操作，构建水稻倒伏数据集。 （2）针对水稻倒伏查勘定损过程中识别效率和准确度较低的问题，本文通过对DeepLabV3+的空洞空间金字塔池化模块进行改进，引入深度可分离卷积和空洞深度可分离卷积，将混合域注意力机制与空洞空间金字塔池化模块进行串联，实现了对网络的轻型化设计，提高网络对水稻倒伏目标特征的抓取能力，设计出DeepLabV3+（Ours）水稻倒伏识别模型。同时设置对比实验，验证DeepLabV3+（Ours）的水稻倒伏识别模型的改进有效性。 （3）本文构建了基于DeepLabV3+（Ours）网络模型的水稻倒伏智能识别定损系统。该系统实现了水稻倒伏遥感影像预处理、自动化倒伏识别和灾情定损，解决了传统查勘定损效率低、强度大和取证保全不足等问题。此外，本系统还具有灾情辅助功能，提高了用户的使用体验。最后对该系统进行性能测试，表明该系统具有稳定性和可靠性，可为用户进行大面积、高效率、低成本的水稻倒伏识别提供了一种标准化的解决方案。
NETL