一个新的CNN差距层用于棕树种植的增长预测

科学领域:

• 农业技术 农业技术
• 计算机视觉 计算机视觉 计算机视觉
• 生态恢复 生态恢复

背景情况:

• 监测微观棕树幼苗是具有挑战性的,因为它们的大小和缺乏明显的特征.
• 现有的卷积神经网络 (CNN) 在图像识别方面表现有前途,但在苗木监测和生长预测方面需要改进.
• 需要高分辨率,快速和环保的监测系统,用于棕树恢复专家.

研究的目的:

• 开发一种新的CNN架构,即Gap Layer CNN (GL-CNN),用于精确的棕树苗木监测.
• 将GL-CNN与无人机 (UAV) 技术集成为图像采集和物联网 (IoT) 为地面真相数据.
• 用拟议的系统来预测成功和糟糕的苗木生长.

主要方法:

• 设计了一个新的GL-CNN架构,具有特定的卷积层和用于分类的间隙层.
• 无人机技术被用于实时捕捉棕树苗的图像.
• 一个物联网模型被用来收集关于苗木健康的地面真相数据.
• 该GL-CNN模型是通过新收集的棕树种植图像数据集进行训练的.

主要成果:

• 拟议的GL-CNN模型与现有的CNN架构相比,表现出优越的性能.
• 该系统在预测棕树苗木生长方面实现了95.96%的平均准确性.
• 集成的无人机和物联网系统提供了有效的实时监控能力.

结论:

• 新型GL-CNN架构在自动棕树苗木监测方面取得了重大进展.
• 结合GL-CNN,无人机和物联网,为生态恢复提供了准确有效的解决方案.
• 这项技术解决了监测小型,形态不清晰的苗木的挑战,改善了恢复结果.