林区航拍图像的虫害区域不规则,实现快速、高精度的分割存在挑战。针对这一问题,本文首先构建了虫害区域分割数据集,研究了适用于地面端的高精度虫害图像分割算法;然后提出了适用于无人机端的虫害区域实时分割算法,该算法精度损失小、运行速度快;最后,本文搭建了虫害区域分割的运行平台,实现了算法的实用化。具体工作内容如下:1.建立了无人机航拍图像虫害区域分割的数据集。本文搭建了基于八旋翼无人机的虫害图像采集平台;采集了 167张森林虫害图像,无重叠裁剪得到800张1000×1000像素的图像;并对所有图像进行了像素级标注,为分割算法的研究提供了可靠的数据支持。2.提出了一种基于全卷积网络的高精度虫害区域分割算法。针对航拍林区虫害图像的虫害区域不规则和分水岭等识别方法泛化能力差的问题,通过迁移学习提升了模型泛化能力、借助跳跃结构提升了模型精度,并提出了五种全卷积网络。试验表明,针对林业虫害图像,FCN-2s识别精度最高,其识别结果的像素准确率为97.86%,平均交并比为79.49%,单幅分割时间为4.31s。该方法与K-means、脉冲耦合神经网络和复合梯度分水岭算法相比,像素准确率分别提高了 44.90%、20.73%和6.04%,单幅图像分割时间分别减少了 47.54s、19.70s和11.39s。3.提出了适用于无人机端运行的虫害图像实时分割模型:Mobile-BiSeNet。本文针对FCN等高精度图像分割模型的参数量大,分割速度慢,难以部署到无人机平台的问题,将BiSeNet上下文路径的骨干模型替换为MobilenetV2,设计了注意力细化模块和特征融合模块,构建了 Mobile-BiSeNet分割算法,降低了模型参数量,提高了运算速度。试验表明,Mobile-BiSeNet只有FCN-2s参数量的1/89,模型的分割速度提高了 50.95倍,单张图像的分割时间只需0.0846s,而像素准确率仅降低0.96%。该方法可以基于无人机平台实现虫害区域的快速分割。4.搭建了集成图像采集、远程传输、图像分割评估等多功能的无人机端运行平台。该平台可以作为无人机载荷搭载到无人机上,可以独立供电,远程控制,自动采集图像,完成虫害区域分割与评估。实现了虫害图像分割算法的实用化。