在无人机图像中改善了麦田的杂草细分,并结合了消除模糊的细分模型
Nikita Genze1,2, Maximilian Wirth3,4, Christian Schreiner3
1Technical University of Munich, TUM Campus Straubing for Biotechnology and Sustainability, Bioinformatics, Schulgasse 22, 94315, Straubing, Germany. nikita.genze@hswt.de.
Plant methods
|August 23, 2023
概括
这项研究引入了DeBlurWeedSeg模型,该模型可以在无人机图像中准确地细分杂草,即使有动作模糊. 这有助于改善杂草管理和精准农业应用.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
背景情况:
- 特定地点的杂草管理对农业至关重要.
- 基于无人机的计算机视觉帮助评估杂草的入侵.
- 无人机图像中的运动模糊会降低图像质量,并影响模型性能.
研究的目的:
- 在动作模糊无人机图像中开发准确的杂草和作物细分模型.
- 为了应对农业计算机视觉任务中运动模糊所带来的挑战.
主要方法:
- 提出了DeBlurWeedSeg,这是一个结合去模糊和细分模型.
- 收集了一组新的数据集,包括清晰和自然模糊的无人机图像对.
- 在真实的和杂草植物图像上训练和评估模型.
主要成果:
- 与标准细分模型相比,DeBlurWeedSeg表现出更高的性能.
- 在模糊图像上的Sørensen-Dice系数中实现了[公式:参见文本]的相对改善.
- 成功分段的杂草从和背景在利和模糊的图像.
结论:
- DeBlurWeedSeg能够在动作模糊的无人机捕捉中准确地分类杂草.
- 这项技术对改善杂草控制策略具有实际意义.
- 减少细分错误可以提高机器人除草系统的有效性.


