叶面积指数(Leaf Area Index)是单位投影面积下植被总叶面积的一半,是农业科学、遥感科学中重要的参数,如何精确快速的测量叶面积指数一直是一个重要的研究课题。本课题研究主要基于半球摄影法,首次将深度学习技术应用到LAI测量中,以解决植被图像难以识别、分割等任务,为研制精确可靠的LAI测量仪器提供可行的解决方案。本文主要从以下几个方面对基于深度学习与半球摄影法的LAI测量问题进行研究:(1)讨论半球摄影测量法中的几个关键问题:数据获取与处理、图像决策分类、图像分割以及广泛应用Lambert-Beer定律,明确了图像分割的准确性是影响最终LAI值的重要因素,肯定了自适应大津法和HSV阈值分割法在特定条件下也能得到比较好的分割结果。分别以经验逻辑和线性判别分析为基础,给出了两种可行的传统分割决策方法。(2)分析了半球摄影测量法中的图像分割决策问题,进而提出采用深度学习的算法来对植被图片分类,以优化LAI测量方法。采用Inception模型对图片进行分类训练,对比了该方法与传统方法的分类决策结果,此方法大幅提升了LAI测量准确性,将测量值与仪器LAI2200测量值的相关系数由0.47提升至0.91。(3)尝试使用多种深度学习算法解决植被图像分割问题,以增加图片利用率。然后通过Semantic Segmentation Suite实现了两种特征提取模型和七种图像分割模型的对接,在同数据不同模型和同模型不同数据两个角度对模型性能做了对比分析,发现大多双端图像语义分割模型分割准确率超过0.95,但在嵌入式设备Jetson TX2上耗时长达50多秒,不能满足实际测量需求。(4)在兼顾时效和性能的条件下,选择Pix2pix模型作为设备移植模型。Pix2pix模型来源于c_GAN模型,其对抗的训练思路和轻型结构保证了模型的性能和较低的计算需求,同时指出了pix2pix这种映射模型在二值化问题上出现的噪声、模糊等问题。通过平均场近似算法把Dense CRF添加到pix2pix模型的生成结构中,改进后的模型能消除噪声、细化边缘,得到更清晰的图像分割结果。(5)自行开发LAI_analysis软件,并将其移植到Nvidia Jetson TX2上。同时采用了TensorRT技术优化推理计算速度,使单次推理和计算达到了8s的速度,最后对实验样机进行了系统实验,表明该样机基本实现课题预设目标。