土壤-MobiNet:一个卷积神经网络模型基础土壤分类,以确定土壤形态及其地理空间位置
Emmanuel Kwabena Gyasi1, Swarnalatha Purushotham1
1School of Computer Science and Engineering, VIT University, Vellore 632014, India.
一个新的深度学习模型,Soil-MobiNet,使用图像识别准确地分类土壤类型. 这种移动友好的系统比传统的精准农业方法有了显著的改进.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 土壤科学 土壤科学
背景情况:
- 传统的土壤分类方法,如蒙塞尔色图,是主观的,缺乏一致性.
- 精准农业需要准确可靠的土壤识别,以有效地管理土地和优化作物产量.
- 深度学习和计算机视觉为土壤分析中的图像识别和模式识别提供了先进的功能.
研究的目的:
- 开发一个使用深度学习的自动化和准确的土壤分类系统.
- 在精准农业时代,解决传统土壤识别方法的局限性.
- 在移动设备上创建一个便携式和高效的实时土壤分类模型.
主要方法:
- 基于MobileNet架构的卷积神经网络 (CNN) 模型Soil-MobiNet的实施.
- 修改了MobileNet,通过加入额外的密集层来增强功能提取.
- 培训和验证Vellore技术研究所土壤 (VITSoil) 数据集上的Soil-MobiNet模型,包括印度九种土壤类型的4864张图像.
主要成果:
- 土壤-MobiNet实现了98.47%的培训和验证准确度.
- 该模型在对VITSoil数据集进行分类时,平均测试准确率为93%.
- 拟议的模型在土壤分类方面表现出色.
结论:
- 土壤-MobiNet模型为土壤分类提供了一个高度准确和高效的解决方案.
- 它的小型和便携性使得它适合在手机上实时识别土壤.
- 这种深度学习方法通过提供对主观传统方法的可靠替代方案来增强精密农业.
更多相关视频
08:09Measuring and Mapping Patterns of Soil Erosion and Deposition Related to Soil Carbonate Concentrations Under Agricultural Management
Published on: September 12, 2017
10:30Soil Lysimeter Excavation for Coupled Hydrological, Geochemical, and Microbiological Investigations
Published on: September 11, 2016
相关概念视频
The Soil Ecosystem
Design Example: Identifying the Locations of Monuments in the Field Using Global Positioning System Device
Methods of Obtaining Topography
Geoid and Ellipsoid
Selected Data About Geographic Locations
Levels of Use of a GIS
