基于IRCF模型的無人機低空遙感影像田塊邊界提取方法研究

DOI：10.3969/j.issn.2095-1191.2025.01.010

摘要：【目的】構建無人機低空遙感影像田塊邊界提取新方法，為解決丘陵山區小面積田塊邊界信息提取難題提供技術支持。【方法】利用無人機低空遙感技術獲取指定田塊的高分辨率影像，制作單個田塊圖像數據集；在深度學習邊緣檢測算法RCF模型的基礎上，通過減少池化層、增加注意力機制模塊，構建準確性能更高的Improve-RCF（IRCF）模型進行田塊邊界識別，然后對識別后的邊界圖像進行輪廓檢測量化處理，將連續的邊界線轉換成由多個像素點組成的離散化邊界線以便獲取像素坐標，再通過高斯—克呂格投影轉換為適用于農機作業的平面坐標，并以田塊有效面積比和坐標平均偏差2個指標進行田塊邊界提取準確性驗證。【結果】相對于RCF模型，IRCF模型的算法性能得到提升，其檢驗結果不僅在數據集尺度最佳（ODS）中的F1值領先1.8368%，在圖像尺度最佳（OIS）中的F1值也領先2.7969%，且平均精度（AP）提升3.8540%。田塊邊界線經量化處理后，計算所得的內邊界范圍內像素總數為21339個，進一步換算求得提取的田塊邊界線圍成面積為1841.32 m2，IRCF模型提取率為91.02%。將IRCF模型與Canny測算子邊界量化相結合，通過對比分析實際測量值與提取值，發現平面坐標在X軸方向上的平均偏差為0.613 m，在Y軸方向上的平均偏差為0.744 m，均小于0.800 m，說明能提供較準確的邊界坐標信息。【結論】基于IRCF模型的無人機低空遙感田塊邊界提取方法能解決傳統邊緣檢測算法難以識別田塊圖像數據集中狹窄田塊邊界的問題，獲得的田塊邊界圖像經輪廓檢測量化處理后能實現田塊邊界平面坐標準確獲取，實現了丘陵山區小面積田塊邊界信息的高效率自動提取。

關鍵詞：田塊邊界；IRCF模型；邊緣檢測算法；無人機低空遙感影像；坐標獲取

中圖分類號：S127文獻標志碼：A文章編號：2095-1191（2025）01-0111-13

IRCF-based unmanned aerial vehicle low altitude remote sensing field boundary extraction method

HE Si-han1，HU Jia-hui2，HE Zhong-xiu3，LI Qing-tao4，WANG Shuang4*

（1School of Mechanical Engineering，Xihua University，Chengdu，Sichuan 610039，China；2Sichuan Academy ofAgricultural Machinery Sciences，Chengdu，Sichuan 610066，China；3School of Computer and SoftwareEngineering，Xihua University，Chengdu，Sichuan 610039，China；4Institute of Modern AgriculturalEquipment，Xihua University，Chengdu，Sichuan 610039，China）

Abstract：【Objective】To develop a new method for extracting field boundaries from low-altitude remote sensing ima-ges of unmanned aerial vehicle（UAV），which could provide technical support to address the challenges of extracting boundary information for small fields in hilly and mountainous areas.【Method】Utilized low-altitude remote sensing tech-nology from UAV to acquire high-resolution images of specified fields，creating a single-field image dataset.Based on the RCF model，a deep learning edge detection algorithm，an improved RCF（IRCF）model with higher accuracy and perfor-mance was constructed by reducing pooling layers and incorporating an attention mechanism module for field boundary recognition.Subsequently，the recognized boundary images treated by contour detection and quantization processing，converting continuous boundary lines into discrete boundary lines composed of multiple pixel points to obtain pixel coordi-nates.These coordinates were then transformed into plane coordinates suitable for agricultural machinery operations using the Gauss-Krüger projection.The accuracy of field boundary extraction was validated using 2 indicators：the effective field area rate of field and the average coordinate deviation.【Result】Compared tothe RCF model，the IRCF model demon-strates improved algorithmic performance.Its test results showed a 1.8368%lead in the F1 score at the optimal dataset scale（ODS）and a 2.7969%lead in the F1 score at the optimal image scale（OIS），with an average precision（AP）in-crease of 3.8540%.After quantization processing of the field boundary lines，the total number of pixel points within the in-ner boundary area was calculated to be 21339，which further converted to an extracted field boundary area of 1841.32 m2，with an extraction rate of 91.02%for the IRCF model.By combining the IRCF model with Canny operator boundary quan-tization and comparing the actual measured values with the extracted values，it was found that the average deviation of plane coordinates in the X-axis direction was 0.613 m，and in theY-axis direction was 0.744 m，both were less than 0.800 m，indicating that the model could provide relatively accurate boundary coordinate information.【Conclusion】The low-altitude remote sensing field boundary extraction method based on the IRCF model can address the challenge of traditional edge detection algorithms in identifying narrow field boundaries within field image datasets.The obtained field boundary images，after contour detection and quantization processing，enable accurate acquisition of plane coordinates for field boundaries.This method achieves highly efficient automatic extraction of boundary information for small fields in hilly and mountainous areas.

Key words：field boundary；IRCF model；edge detection algorithm；low-altitude remote sensing images from un-manned aerial vehicle；coordinate acquisition

Foundation items：National Natural Science Foundation of China（51905447）；Sichuan Modern Agricultural Equip-ment Engineering and Technology Research Center Project（RX2300001944）

0引言

【研究意義】丘陵山區地形復雜，土地面積較小，無法連片耕作，勞動強度大但生產效率低，尤其是近年來農村勞動力趨于老齡化，導致丘陵山區的土地撂荒問題日趨嚴重。為解決這一問題，戴智勇等（2019）從基本農田空間布局優化角度出發，建議通過基本農田空間布局調整和綜合質量評價來提高丘陵山區農田的連片性；陳學庚等（2020）從土地宜機化改造和利用方面出發，建議分類施策以提高小地塊農田利用率；劉波等（2023）從農機裝備角度出發，指出開發適于丘陵山區農田地形復雜的高效適用裝備是提升丘陵山區農業發展的迫切需求。實現農機上山自主作業是解決丘陵山區土地撂荒的有效手段，而準確的田塊邊界信息是界定無人駕駛農機作業范圍、制定路徑規劃的重要依據，也是實現農機自主作業的前提條件。因此，探究丘陵山區小面積田塊邊界信息高效率提取方法，對促進丘陵山區農業機械化、智能化發展，推動丘陵山區無人農場建設具有重要意義。【前人研究進展】傳統的田塊邊界提取主要以衛星遙感影像為底圖的大面積農田區域為研究對象，通過人工目視解譯來獲取田塊邊界信息（江東等，2017；林家元和程亞男，2022；錢震杰等，2023；王鈺等，2023）。由于丘陵山區地形條件復雜，通過衛星遙感獲取的田塊影像信息光譜特征不明顯，而無人機遙感技術不僅能滿足特定區域內高分辨率影像的獲取（陳杰等，2014；姜妍等，2022），還可避免小面積農田衛星高空影像光譜特征不明顯及空氣污染導致部分衛星高空影像存在盲區的問題（賀艷花，2023；曾學亮等，2024），更有利于獲取丘陵山區特定小面積農田的影像。相對于中低分辨率遙感影像，無人機獲取的高分辨率遙感影像能降低混合像元問題，提供更加豐富的田塊信息和邊界紋理信息（王柯等，2017；楊影，2020）。近年來，隨著人工智能的快速發展，神經網絡憑借其高效處理圖像高維數據及自動學習等特點，在田塊邊界提取中開辟了新方向（Xu etal.，2023）。李森等（2020）基于全卷積網絡細化邊緣檢測模型（Full dilated-rich convolutionalfea-ture，FD-RCF），進一步改變模型特征融合方式并采用空洞卷積進行耕地邊緣檢測，其檢測結果在數據集尺度最佳（ODS）、圖像尺度最佳（OIS）精度評價的F1值分別為0.8481和0.8502，平均精度（AP）為0.7957，但對于紋理信息復雜的單個小面積田塊邊界而言，該模型易導致某些田間紋理信息被識別而保留在圖像上。Waldner和Diakogiannis（2020）提出一種數據驅動的通用衛星圖像邊界提取方法，使用的ResUNet-a深度卷積神經網絡具有完全連接的UNet主干，通過閾值或分水嶺分割進行提取，可從圖像中學習復雜的分層上、下文特征，準確檢測邊界并丟棄不相關邊界。Wagner和Oppelt（2020）提出了基于深度學習的亞像素級別提取農田邊界新方法，即將圖像增強和邊緣檢測技術與新改進的主動輪廓模型及圖論原理相結合，其提取精度達86.2%，但該方法在主動輪廓模型和圖論原理中的許多參數需手動調整，耗時費力，且未對邊界進行坐標提取。何勇等（2021）利用改進的UNet網絡解碼器反向卷積層間設置反向殘差塊以訓練識別農田邊界，再基于關聯性算法和RANSAC直線擬合方法確定當前二值圖的田側邊界線和田端邊界線，有效提高了邊界線識別的準確性，但該方法未將邊界坐標數據進行標準化處理，而無法實現后續數據共享與集成。【本研究切入點】至今，國內外學者針對農田邊界提取的研究主要以衛星影像為數據源，進行大面積農田區域提取并分析農田概況（Gao et al.，2022；Xu et al.，2022；Chen et al.，2023），而針對丘陵山區小面積田塊邊界信息提取的研究報道較少。【擬解決的關鍵問題】基于深度學習的豐富特征卷積網絡（Richer con-volutional features，RCF）模型構建準確性能更高的Improve-RCF（IRCF）模型，準確清晰識別田塊邊界并在已識別的邊界上獲取坐標信息，再通過Canny算子輪廓檢測對連續邊界線進行量化處理以便獲取邊界像素坐標，經坐標轉換后得到便于無人駕駛農機數據交換、共享和集成的平面坐標，最后通過計算田塊有效面積比及坐標平均偏差值對田塊邊界提取準確性進行驗證，以期獲取更精確、更完整的單個小面積田塊邊界信息，為解決丘陵山區小面積田塊邊界信息提取難題提供技術支持。

1材料與方法

1.1研究區概況

研究區位于四川省成都市大邑縣安仁鎮（30°35′15.32″N，103°31′14.56″E）和四川省成都市青城山鎮（31°01′07.63″N，103°32′47.37″E）。大邑縣位于成都平原與川西北高原的過渡地帶，地勢為西北高、東南低，依次為山區、丘陵和平原三大地形區，最高海拔3836 m、最低海拔892 m。青城山鎮位于成都市都江堰市境內西南部，以山地地貌類型為主，僅沿山地區有少量平原；青城山鎮境內最高峰為大面山，海拔高2434m，平原地區最低海拔僅為250m。

1.2關鍵技術研究

1.2.1田塊邊界識別技術RCF模型保留了視覺幾何群（Visual geometry group，VGG）網絡的主干部分，但去除了VGG網絡中的全連接層和部分池化層（Liu et al.，2017），每個階段中的卷積層均與1個核大小1×1、通道深度21的卷積層相連接，其次每個階段的特征映射都用1個Eltwise層相加來積累得到混合特征，再使用deconv層對混合特征進行上采樣，最后在fusion部分將每個階段的輸出疊加，再通過核大小1×1、通道深度21的卷積將多通道合并，達到獲取多種混合信息的目標。

在IRCF模型中，stage 1-5特征層后加入1個核大小1×1、通道深度21的卷積層，使用Eltwise層相加，并在RCF模型的基礎上，每個Eltwise層后引入注意力機制模塊，以增強特征表現及提取能力，從而確保模型能充分利用特征圖的信息，有效緩解池化層過多造成深層次特征圖局部信息過度損失等問題。注意力機制模塊的引入不僅可擴大感受野，還能增強對目標區域的檢測能力，有效聚焦于圖像中的關鍵區域，幫助模型更好地捕捉到邊界細節，提高對小面積田塊邊界的提取精度和效率。IRCF模型如圖1所示。

1.2.2田塊邊界量化處理技術傳統邊緣檢測算子輸出的圖像邊緣線呈離散化，圖像邊緣檢測前還需進行灰度化處理等（圖2），過程繁瑣耗時且計算量較大。IRCF模型經深度學習訓練后，可在短時間內進行圖像邊緣檢測。相對于傳統邊緣檢測算子，IRCF模型檢測得到的田塊邊界圖像去除了大部分環境干擾，邊界與其他背景區分明顯且斷點和非目標線較少，得到的邊界圖像更清晰（圖3）。

經IRCF模型檢測得到的二值圖像邊界呈連續性，需輸入Canny算子進行邊界量化處理，為下一步獲取邊界坐標點作準備。Canny算子常規步驟如圖4所示。由于輸入的圖像已是邊界識別后的二值圖像，因此在Canny算子檢測中省去了圖像灰度化、高斯濾波去噪、梯度計算及非極大值抑制等步驟，直接對田塊邊界進行邊緣連接，有效避免了許多參數的設置。經Canny算子檢測輸出的圖像邊界轉換成帶有像素點坐標的離散邊界。

1.2.3技術路線具體技術路線流程（圖5）如下：（1）基于大疆御Mavic 3多光譜無人機進行田塊圖像數據采集，采集的高分率圖像通過翻轉操作進行圖像數據增強，并采用Labelme進行標注，構建數據樣本；（2）復現RCF模型，構建IRCF模型，通過隨機梯度下降法（Stochastic gradient descent，SGD）完成模型訓練；（3）將測試集分別輸入訓練好的RCF模型和IRCF模型，引入OIS和ODS評估整體的邊緣檢測性能，同時將目標圖像輸入RCF模型和IRCF模型分別提取邊界，比較提取效果；（4）提取的田塊邊界通過Canny算子進行邊界線量化處理，獲取邊界像素坐標后再進行坐標轉換，并對邊界線進行優化；（5）選擇田塊邊界坐標平均偏差值及田塊有效面積比作為評價指標，對田塊邊界提取效果進行評價。

1.3試驗方法

1.3.1田塊圖像數據采集使用大疆御Mavic 3多光譜無人機低空遙感拍攝田塊影像作為主要數據源，為提高邊緣檢測模型的穩定性，無人機低空田塊影像拍攝的時間選取2023年11月15日10：00、2023年11月18日10：00和17：00，進行3次圖像采集。圖像數據采集時的天氣包括晴天和陰天，便于獲取不同質量的圖像數據源，以確保后續進行圖像分割和模型訓練時的精度更加準確。田塊圖像采集區的田塊構成復雜，以不規則多邊形田塊為主，其中不規則田塊又分為弧形邊界和直線多邊形田塊，如圖6所示。

1.3.2田塊圖像數據處理在模型訓練采集研究區共采集885張田塊圖像數據，為盡量避免模型訓練時出現過擬合情況及增強田塊分割效果，使IRCF模型獲得較高的訓練精度和泛化能力，通過幾何變換方式進行數據增強以擴展圖像樣本數據，即對圖像分別沿X軸和Y軸方向進行翻轉（圖7），最終得到3000張圖像。

使用Labelme對田塊原始圖像進行標注，完成田塊邊緣矢量化處理（圖8），然后在Anaconda Prompt虛擬環境下轉換得到原圖（png文件）、標簽（png文件）、掩膜（png文件）及標簽（txt文件），以完成田塊圖像邊界標注數據集的制作。

1.3.3模型訓練與測試模型訓練過程采用SGD隨機梯度下降法，設初始學習率為1×10-6，學習率衰減因子為0.1；Batch size設為8；學習動量取值范圍為0～1.0，常規取值為0.9。為防止模型過擬合，結合數據集權重衰減設為0.0002，模型訓練最大迭代次數為12500次。IRCF模型訓練過程中的損失值如圖9所示，剛開始時RCF模型的損失值低于IRCF模型，是由于增加注意力機制后引入額外計算，增加了模型復雜性；但迭代次數到4500次后，IRCF模型的損失值開始低于RCF模型；當迭代次數達6200次后，IRCF模型損失值一直低于RCF模型。總的來說，迭代次數達到一定次數后RCF模型和IRCF模型的損失值均趨于平穩，模型結構收斂，且二者相比以IRCF模型的損失值更低。

1.3.4模型精度評定將測試集分別輸入訓練好的RCF模型和IRCF模型中，引入OIS和ODS評估邊緣檢測性能。OIS是將召回率與精確率結合，其F1值越高，說明模型在召回率和精確率上表現越優。ODS的F1值是精確率與召回率的調和平均值，反映了模型在整個數據集上的檢測結果。由表1可看出，相對于RCF模型，IRCF模型的算法性能得到提升，其檢測結果不僅在ODS中的F1值領先1.8368%，在OIS中的F1值也領先2.7969%，且AP提升3.8540%，即IRCF模型能有效提高圖像邊緣檢測能力。IRCF模型的算法在精確度和召回率上均超過80.00%，說明IRCF模型在一定程度上能增強田塊邊界的檢測能力。

1.3.5模型檢測結果分析IRCF模型在增加注意力機制模塊后，對田塊邊界的學習能力明顯增強，對邊界信息更專注，在一定程度上能減少非邊界信息的干擾。對IRCF模型進行大量數據訓練學習后，將測試目標小面積田塊圖像A、B和C分別輸入RCF模型和IRCF模型中進行檢測，當RCF模型和IRCF模型收斂穩定時輸出的圖像，2個模型最終提取到的田塊圖像如圖10所示。由最終提取到的圖像分析可知，IRCF模型提取的圖像邊界更清晰，非邊界線的去除更干凈。

1.3.6田塊邊界線離散化為方便后續坐標配準與驗證，結合丘陵地區田塊類型多為不規則且邊界為弧形，選擇西華大學實驗田進行田塊邊界坐標點提取，其邊界線由直線和曲線構成。無人機采集的實驗田影像如圖11-A所示。IRCF模型提取的田塊邊界為二值圖像，邊界線呈連續性（圖11-B），無法直接進行邊界分析，因此，IRCF模型邊緣檢測得到的邊界線圖像還需采用Canny算子進行邊界線量化處理。經Canny算子量化處理后，田塊邊界線由離散的點組成（圖11-C），可在圖像上直接獲取邊界像素點坐標，將X和Y坐標分別存儲在工作區中。在Canny算子檢測圖像（圖11-C）中，黃色方框表示Canny算子檢測出的雜亂線條部分即非目標邊界線，紅色方框表示4個Canny算子均未檢測到的斷點部分。

1.3.7邊界線條優化經Canny算子檢測后的田塊邊界圖像仍存在少部分非目標邊界線條及邊界線出現斷點的情況，應進一步去除非目標邊界線條和連接斷點。綜合考慮不同田塊因種植作物品種不同導致的田塊邊界復雜性，故采用連通域面積過濾方式去除非目標線條（Rydberg and Borgefors，2001）。去除非目標邊界線后的圖像如圖12-A所示。由于邊界坐標的準確提取需在封閉圖形中進行，因此要進行斷點連接，構成封閉圖形便于邊界坐標提取。為確保無人駕駛農機作業安全，選擇以線性十字形結構元素膨脹方式進行邊界斷點連接，田塊邊界斷點連接后的圖像如圖12-B所示。

1.3.8邊界像素坐標轉換通過膨脹方式完成田塊邊界線斷點連接，使邊界線構成完整的封閉圖形。由于十字形膨脹方式是以原邊界線為中心向兩邊膨脹（鄧仕超和黃寅，2017），故膨脹后的內邊界處于田塊內部，外邊界則位于田塊外。為確保無人農機駕駛安全，獲取像素點坐標均取位于內邊界的像素坐標。此外，為便于后續對轉換后的邊界坐標準確性進行驗證，將獲取的田塊邊界在Matlab中均分為20等份，選取這20個邊界點的像素坐標進行驗證。對內邊界提取及坐標點標注得到的圖像如圖13所示，其中點20為起始點，像素坐標如表2所示。

1.3.9邊界坐標轉換選擇邊界坐標序號為7、14和20的3個非線性頂點為控制點，控制點的經緯度坐標通過衛星定位模塊獲取，其對應的像素坐標和經緯度坐標如表3所示。其中，L、B分別代表經度和緯度，X、Y分別代表橫坐標和縱坐標。田塊邊界其余目標點的經緯度坐標信息由3個控制點經仿射變換得到（Chen et al.，2018），最后經高斯—克呂格投影轉換為平面坐標值（Hu etal.，2015），自動提取田塊邊界目標點平面坐標（表4），序號點與圖13相對應。

2結果與分析

2.1田塊提取有效面積結果

由于目前尚缺乏統一、有效的評價指標體系來評估田塊邊界提取效果（張加朋和于鳳芹，2020），本研究將提取田塊邊界后的田塊面積與田塊實際面積進行對比，以評估田塊邊界提取效果。由圖像數據可知，單個像素點放大后可視為正方形，通過計算兩坐標點間的像素數量和實際距離轉換求得單個像素點面積。提取邊界后有效面積的計算為膨脹后提取邊界內像素總數與單個像素點面積的乘積，如公式（1）和公式（2）所示。計算所得的內邊界范圍內像素總數為21339個，A、B兩點邊界線的像素點為160個，即測得A與B的邊界線距離為47 m，如圖14所示。提取邊界線后的田塊面積為1841.32 m2，通過高精度量地測畝儀測得田塊實際面積為2023.00 m2，通過公式（3）計算得到IRCF模型提取率（ER）為91.02%。

式中：S1表示提取邊界線后的田塊面積；S表示田塊實際面積（2023.00 m2）；C1表示實際提取邊界線圍成的像素總數；L表示A、B兩點的實際距離；C表示A、B兩點間的像素總數。

2.2邊界坐標提取結果

通過K803高精度定位模塊對邊界坐標點的準確性進行驗證。如圖15所示，K803高精度定位模塊的基站位于西華大學實驗樓樓頂平臺，其移動站則安裝在農業機械小車上。農業機械小車以序號20為起點，每走等距距離即獲取像素點位置坐標數據，遍歷20個像素點，獲取每個像素點的實時經緯度信息，再將定位模塊獲取的經緯度坐標通過高斯—克呂格投影換算成平面坐標（陳立頌和任繼山，2013），得到實際測量的平面坐標信息（X和Y），同時在田塊邊界圖像上由像素坐標經仿射變換得到邊界的配準坐標信息（X'和Y'），二者相減取絕對值，分別得到偏差值L和L'。由表5可看出，IRCF模型提取得到的田塊邊界坐標點經高斯—克呂格投影等方法換算得到平面坐標在X軸方向上的最小偏差為0.021 m，最大偏差為1.304 m，平均偏差為0.613 m；在Y軸方向上的最小偏差為0.055 m，最大偏差為1.639 m，平均偏差為0.744 m，即X軸和Y軸方向上的平均偏差均小于0.800 m，且較大偏差的像素點多位于邊界拐角附近。

3討論

丘陵山區農田面積小、形狀不規則、光譜特征不明顯，導致農田邊界信息提取困難（陳杰等，2014）。無人機田間作業需進行路徑規劃及精確識別田塊邊界，以確保作業效率和準確性。因此，提取準確的田塊邊界信息有助于促進丘陵地區智能農機化發展，實現農機的精確導航和路徑規劃，提高作業效率及減少資源浪費（趙欣等，2022）。目前，針對田塊邊界信息的提取主要通過高分辨率遙感影像進行識別，以及提取大范圍的農田邊界。廖丹（2014）以提取大范圍區域的農田邊界線為目標，利用面向對象方法、全色高通濾波器檢測、全色Sobel檢測和全色Ro-berts檢測4種方法組合分別進行不同區域的耕地邊界線提取，但無法獲取小面積的單個農田地塊信息。Xu等（2023）研究證實，基于多任務的網絡模型在識別地塊邊界方面表現出色，但在實際應用中仍面臨細化、自動化和泛化等挑戰。Xie等（2023）研究表明，基于深度學習的U-Net3+模型在耕地信息提取中具有明顯優勢，但在處理小面積田塊時仍存在不足，表現出較高的遺漏錯誤，且編碼器和解碼器間的特征不兼容而導致一些跳躍連接無效。現有針對田塊邊界信息的提取多應用于精準農業管理和耕地調查與統計，僅對田塊邊界進行識別，而未提取田塊邊界坐標信息，尤其在小面積田塊邊界信息提取上仍存在細化困難、自動化程度低及泛化能力不足等問題（Wen et al.，2022；Wang et al.，2023）。為此，本研究在深度學習邊緣檢測算法RCF模型的基礎上進行改進，使改進的IRCF模型更適用于小面積田塊邊界識別；對存在遮擋或陰影所導致的非目標邊界線進行優化，以確保提取的最終田塊邊界線更可靠清晰，同時通過邊界量化處理和坐標轉換對邊界坐標進行準確獲取。IRCF模型是在RCF模型的基礎上減少池化層，但增加了注意力機制模塊，空間注意力機制能突出關鍵特征點，削弱背景噪聲，引導模型專注于空間目標形狀信息，增強模型的特征提取能力，進而提高地塊邊界識別精度，使其更適用于復雜小面積田塊邊界的提取。在邊界線優化過程中，還應用形態學膨脹以減少邊界累積時的空間誤差，并消除開放邊緣和小區域的噪聲假陽性邊緣（Xu etal.，2014）。

通過對RCF模型和IRCF模型進行訓練及對比分析可知，IRCF模型對田塊邊緣檢測結果在ODS、OIS中的F1值分別為0.803286和0.828325，AP達0.836843，較RCF模型分別提高了1.8368%、2.7969%和3.8540%，即IRCF模型能有效提高圖像邊緣檢測能力。此外，對田塊邊界線進行量化處理時選用線性十字形結構元素二次膨脹進行斷點連接（Singh et al.，2014；Liu et al.，2017；Guo et al.，2021），計算所得的內邊界范圍內像素總數為21339個，進一步換算求得提取的田塊邊界線圍成面積為1841.32 m2，IRCF模型提取率為91.02%。在田塊邊界坐標提取過程中，將IRCF模型與Canny算子邊界量化相結合，通過對比分析實際測量值與提取值，發現平面坐標在X軸方向上的平均偏差為0.613 m，在Y軸方向上的平均偏差為0.744 m，均小于0.800 m，說明能提供較準確的邊界坐標信息。

基于IRCF模型的無人機低空遙感田塊邊界提取方法能滿足丘陵山區小面積、單個農田邊界信息的提取，為實現農機自動化耕作提供作業環境數據，以解決丘陵山區的土地撂荒問題。本研究是以丘陵山區小面積、不規則多邊形田塊為研究對象，其結論是否適用于復雜曲形邊界田塊的邊界信息提取還有待進一步驗證，因此，后續研究應專注于算法優化、適用性研究及誤差分析與改進，以確保其普適性。IRCF模型通過引入注意力機制模塊而有效增強模型對關鍵特征的關注，進而提高田塊邊界的檢測精度和完整性；邊界坐標點的獲取豐富了田塊邊界信息，能為無人機路徑規劃提供更完整的邊界信息。

4結論

基于IRCF模型的無人機低空遙感田塊邊界提取方法能解決傳統邊緣檢測算法難以識別田塊圖像數據集中狹窄田塊邊界的問題，獲得的田塊邊界圖像經輪廓檢測量化處理后能實現田塊邊界平面坐標準確獲取，實現了丘陵山區小面積田塊邊界信息的高效率自動提取。

參考文獻（References）：

陳杰，陳鐵橋，梅小明，邵權斌，鄧敏.2014.基于最優尺度選擇的高分辨率遙感影像丘陵農田提取［J］.農業工程學報，30（5）：99-107.［Chen J，Chen T Q，Mei X M，Shao Q B，Deng M.2014.Extraction of hilly farmland from high-resolution remote sensing images based on optimal scale selection［J］.Transactions of the Chinese Society of Agri-cultural Engineering，30（5）：99-107.］doi：10.3969/j.issn.1002-6819.2014.05.013.

陳立頌，任繼山.2013.WGS84、北京54、高斯—克呂格坐標系轉換算法［J］.上海航天，30（5）：62-64.［Chen L S，Ren J S.2013.Transfer algorithm of WGS84，Beijing 54 and Guass-Krüger coordinate system［J］.Aerospace Shanghai，30（5）：62-64.］doi：10.3969/j.issn.1006-1630.2013.05.013.

陳學庚，溫浩軍，張偉榮，潘佛雛，趙巖.2020.農業機械與信息技術融合發展現狀與方向［J］.智慧農業（中英文），2（4）：1-16.［Chen X G，Wen H J，Zhang W R，Pan F C，Zhao Y.2020.Advances and progress of agricultural machinery and sensing technology fusion［J］.Smart Agri-culture，2（4）：1-16.］doi：10.12133/j.smartag.2020.2.4.202 002-SA003.

戴智勇，楊朝現，信桂新，魏耀華，熊想想.2019.丘陵山區土地利用沖突評價及調控優化［J］.西南大學學報（自然科學版），41（11）：82-91.［Dai Z Y，Yang C X，Xin G X，Wei Y H，Xiong X X.2019.Evaluation of land use conflicts in hilly and mountainous areas and optimization of their con-trol［J］.Journal of Southwest University（Natural Science），41（11）：82-91.］doi：10.13718/j.cnki.xdzk.2019.11.011.

鄧仕超，黃寅.2017.二值圖像膨脹腐蝕的快速算法［J］.計算機工程與應用，53（5）：207-211.［Deng S C，Huang Y.2017.Fast algorithm of dilation and erosion for binary image［J］.Computer Engineering and Applications，53（5）：207-211.］doi：10.3778/j.issn.1002-8331.1508-0007.

何勇，張皙雅，張澤清，方慧.2021.一種農田邊界識別方法及系統：CN 113221740A［P］.2021-08-06.［He Y，Zhang X Y，Zhang Z Q，Fang H.2021.A method and system for identifying farmland boundaries：CN 113221740A［P］.2021-08-06.］

賀艷花.2023.基于無人機圖像生成高精度真正射影像圖研究［J］.科技資訊，21（21）：25-28.［He Y H.2023.Research on generating high-precision true digital orthophoto maps based on UAV images［J］.Science and Technology Infor-mation，21（21）：25-28.］doi：10.16661/j.cnki.1672-3791.2304-5042-8510.

江東，丁方宇，郝蒙蒙，付晶瑩，黃耀歡.2017.農田遙感識別方法與應用［J］.甘肅科學學報，29（2）：43-47.［Jiang D，Ding F Y，Hao M M，Fu J Y，Huang Y H.2017.Remotesensing identification method and application in farmland［J］.Journal of Gansu Science，29（2）：43-47.］doi：10.16468/j.cnki.issn 1004-0366.2017.02.011.

姜妍，王琳，楊月，蔡雨彤，張喜海，王惠中，王紹東.2022.無人機高光譜成像技術在作物生長信息監測中的應用［J］.東北農業大學學報，53（3）：88-96.［Jiang Y，Wang L，Yang Y，Cai Y T，Zhang X H，Wang H Z，Wang S D.2022.Application of UAV hyperspectral imaging technology in crop growth information monitoring［J］.Journal of Nor-theast Agricultural University，53（3）：88-96.］doi：10.19720/j.cnki.issn.1005-9369.2022.03.010.

李森，彭玲，胡媛，池天河.2020.基于FD-RCF的高分辨率遙感影像耕地邊緣檢測［J］.中國科學院大學學報，37（4）：483-489.［Li S，Peng L，Hu Y，Chi T H.2020.FD-RCF-based boundary delineation of agricultural fields in high resolution remote sensing images［J］.Journal of University of Chinese Academy of Sciences，37（4）：483-489.］doi：10.7523/j.issn.2095-6134.2020.04.007.

廖丹.2014.基于高分辨率遙感影像的不同地貌區田塊邊界提取方法研究［D］.成都：四川農業大學.［Liao D.2014.The research on method field boundary extraction in diffe-rent geomorphic types based on high resolution remote sensing images［D］.Chengdu：Sichuan Agricultural Unive-rsity.］

林家元，程亞男.2022.基于無人機遙感影像的裸巖識別及早期石漠化評價［J］.西南大學學報（自然科學版），44（12）：125-135.［Lin J Y，Cheng YN.2022.Identification of bare rock and evaluation of early rocky desertification using UAV remote sensing image［J］.Journal of Southwest Uni-versity（Natural Science），44（12）：125-135.］doi：10.13718/j.cnki.xdzk.2022.12.013.

劉波，羅俊，于萍，葉江紅，蔣輝霞，劉宇，李筠.2023.達州市大竹縣苧麻機械化收獲現狀及思考［J］.四川農業科技，（9）：106-108.［Liu B，Luo J，Yu P，Ye J H，Jiang H X，Liu Y，Li Y.2023.Current situation and thoughts on mecha-nized harvesting of ramie in Dazhu County，Dazhou City［J］.Science and Technology of Sichuan Agriculture，（9）：106-108.］doi：10.3969/j.issn.1004-1028.2023.09.030.

錢震杰，金誠謙，劉政，楊騰祥.2023.無人農場中的智能控制技術應用現狀與趨勢［J］.智能化農業裝備學報（中英文），4（3）：1-13.［Qian Z J，Jin C Q，Liu Z，Yang T X.2023.Development status and trends of intelligent controltechnology in unmanned farms［J］.Journal of Intelligent Agricultural Mechanization（in Chinese and English），4（3）：1-13.］doi：10.12398/j.issn.2096-7217.2023.03.001.

王柯，付怡然，彭向陽，左志權，易琳，黃松波.2017.無人機低空遙感技術進展及典型行業應用綜述［J］.測繪通報，（S1）：79-83.［Wang K，Fu Y R，Peng X Y，Zuo Z Q，Yi L，Huang S B.2017.Overview of UAV low altitude remotesensing technology and application in typical industries［J］.Bulletin of Surveying and Mapping，（S1）：79-83.］doi：10.13474/j.cnki.11-2246.2017.0621.

王鈺，董亞坤，何紫玲，王鵬，趙昊，曾維軍.2023.基于Senti-nel-2A影像的復合輪作種植結構提取［J］.南方農業學報，54（8）：2490-2498.［Wang Y，Dong Y K，He Z L，Wang P，Zhao H，Zeng W J.2023.Extraction of compound rotation planting structure based on Sentinel-2A image［J］.Journal of Southern Agriculture，54（8）：2490-2498.］doi：10.3969/j.issn.2095-1191.2023.08.031.

楊影.2020.基于震后無人機影像的滑坡提取分析研究［D］.北京：中國地震局地震預測研究所.［Yang Y.2020.Research on landslide extraction and analysis based on UAV images after the earthquake［D］.Beijing：Institute of Earthquake Forecasting，China Earthquake Administra-tion.］doi：10.27488/d.cnki.ggjfz.2020.000015.

曾學亮，郭熙，鐘亮，吳俊.2024.基于多源遙感特征融合與卷積神經網絡（CNN）的丘陵地區水稻識別［J］.江蘇農業學報，40（1）：93-102.［Zeng X L，Guo X，Zhong L，Wu J.2024.Rice identification in hilly areas based on multi-source remote sensing feature fusion and convolutional neural networks（CNN）［J］.Jiangsu Journal of Agricultural Sciences，40（1）：93-102.］doi：10.3969/j.issn.1000-4440.2024.01.010.

張加朋，于鳳芹.2020.基于Canny算子改進型的影像測量邊緣檢測［J］.激光與光電子學進展，57（24）：258-265.［Zhang J P，Yu F Q.2020.Improved image measurement edge detection based on Canny operator［J］.Laseramp;Optoelec-tronics Progress，57（24）：258-265.］doi：10.3788/LOP57.241024.

趙欣，王萬里，董靚，徐媛媛，王科，翟衛欣，吳才聰.2022.面向無人駕駛農機的高精度農田地圖構建［J］.農業工程學報，38（Z1）：1-7.［Zhao X，Wang W L，Dong L，Xu Y Y，Wang K，Zhai W X，Wu C C.2022.High precision farm-land map constrution for unmanned agricultural machinery［J］.Transactions of the Chinese Society of Agricultural Engineering，38（Z1）：1-7.］doi：10.11975/j.issn.1002-6819.2022.z.001.

Chen L C，Papandreou G，Kokkinos I，Murphy K，Yuille A L.2018.Deeplab：Semantic image segmentation with deep convolutional nets，atrous convolution，and fully connected CRFs［J］.IEEE Transactions on Pattern Analysis and Ma-chine Intelligence，40（4）：834-848.doi：10.1109/TPAMI.2017.2699184.

Chen L，Song W L，Sun T，Lu Y Z，Jiang W，Liu J，Liu H J，Feng T S，Gui R J，Haider A，Meng L W，Lin S J，He Q.2023.Field patch extraction based on high-resolution imaging and U2-Net++convolutional neural networks［J］.Remote Sensing，15（20）：4900.doi：10.3390/rs 15204900.

Gao Z T，Guo D L，Ryu D，Western A W.2022.Enhancing the accuracy and temporal transferability of irrigated croppingfield classification using optical remote sensing imagery［J］.Remote Sensing，14（4）：997.doi：10.3390/rs 14040997.

Guo W H，Ye H L，Cao F L.2021.Feature-grouped network with spectral—Spatial connected attention for hyperspec-tral image classification［J］.IEEE Transactions on Geo-science and Remote Sensing，60：1-13.doi：10.1109/TGRS.2021.3051056.

Hu F，Xia G S，Hu J W，Zhang L P.2015.Transferring deep convolutional neural networks for the scene classification of high-resolution remote sensing imagery［J］.Remote Sen-sing，7（11）：14680-14707.doi：10.3390/rs71114680.

Liu Y，Cheng M M，Hu X W，Bian J W，Zhang L，Bai X.2017.Richer convolutional features for edge detection［J］.IEEE Transactions on Pattern Analysis and Machine Intelli-gence，41（8）：1939-1946.doi：10.1109/TPAMI.2018.2878 849.

Rydberg A，Borgefors G.2001.Integrated method for boundarydelineation of agricultural fields in multispectral satellite images［J］.IEEE Transactions on Geoscience and Remote Sensing，39（11）：2514-2520.doi：10.1109/36.964989.

Singh S，Saini A K，Saini R，Mandal A S，Shekhar C，Vohra A.2014.A novel real-time resource efficient implementation of Sobel operator-based edge detection on FPGA［J］.Inter-national Journal of Electronics，101（12）：1705-1715.doi：10.1080/00207217.2014.888782.

Wagner M P，Oppelt N.2020.Extracting agricultural fields from remote sensing imagery using graph-based growing contours［J］.Remote Sensing，12（7）：1205.doi：10.3390/rs12071205.

Waldner F，Diakogiannis F I.2020.Deep learning on edge：Extracting field boundaries from satellite images with a convolutional neural network［J］.Computer Science，245：111741.doi：10.48550/arXiv.1910.12023.

Wang X Y，Shu L，Han R，Yang F，Gordon T，Wang X C，Xu H Y.2023.A survey of farmland boundary extraction techno-logy based on remote sensing images［J］.Electronics，12（5）：1156.doi：10.3390/electronics 12051156.

Wen C Y，Lu M，Bi Y，Zhang S N，Xue B，Zhang M J，Zhou Q B，Wu W B.2022.An object-based genetic programming approach for cropland field extraction［J］.Remote Sensing，14（5）：1275.doi：10.3390/rs 14051275.

Xie D H，Xu H，Xiong X L，Liu M，Hu H R，Xiong M S，Liu L.2023.Cropland extraction in Southern China from very high-resolution images based on deep learning［J］.Remote Sensing，15（9）：2231.doi：10.3390/rs 15092231.

Xu L L，Yang P，Yu J J，Peng F，Xu J，Song S R，Wu Y X.2023.Extraction of cropland field parcels with high resolu-tion remote sensing using multi-task learning［J］.European Journal of Remote Sensing，56（1）：2181874.doi：10.1080/22797254.2023.2181874.

Xu L，Ming D P，Du T Y，Chen Y Y，Dong D H，Zhou C H.2022.Delineation of cultivated land parcels based on deep convolutional networks and geographical thematic scene division of remotely sensed images［J］.Computers and Electronics in Agriculture，192：106611.doi：10.1016/j.compag.2021.106611.

Xu Q，Varadarajan S，Chakrabarti C，Karam J L.2014.A dis-tributed canny edge detector：Algorithm and FPGA imple-mentation［J］.IEEE Transactions on Image Processing，23（7）：2944-2960.doi：10.1109/tip.2014.2311656.

（責任編輯：蘭宗寶）