无人机超光谱远程传感器图像用于使用MD-FCM和XCS-RBFNNN的果植物疾病和害虫识别

科学领域:

• 农业遥感 农业遥感
• 植物病理学 植物病理学
• 农业中的人工智能

背景情况:

• 有效的植物疾病管理依赖于早期检测,以尽量减少传播和作物损失.
• 无人机 (UAV) 超谱成像 (HSI) 越来越多地用于作物,果园和森林的评估,包括压力监测.
• 准确识别植物疾病和害虫对于及时干预和减少农业损失至关重要.

研究的目的:

• 提出一种新的无人机HSI遥感框架,用于高空间和时间分辨率 (STR) 识别果植物疾病和害虫.
• 整合先进的机器学习技术,实现自动和准确的疾病和害虫分类.
• 加强农业植物卫生管理的早期预警系统.

主要方法:

• 使用的无人机HSI数据,其次是兴趣区域 (ROI) 计算和预处理.
• 使用的物流U-net用于叶片细分,以及Minkowski基于距离的模糊C介质 (MD-FCM) 用于集群生病的叶片和害虫.
• 集成的征收飞行分布-蝶优化算法 (LFD-BOA) 用于特征选择和Xavier初始化 - 适应的Cosine相似性诱导的辐射偏差函数神经网络 (XCS-RBFNN) 用于最终分类.

主要成果:

• 拟议的框架成功地对叶子进行了细分,并聚集了受病的区域和害虫.
• 使用LFD-BOA进行特征选择和通过XCS-RBFNN进行分类,在识别各种果疾病和害虫方面表现出高准确性.
• 实验结果显示,拟议的方法在疾病和害虫识别方面明显优于现有的基准技术.

结论:

• 开发的无人机HSI系统与MD-FCM和XCS-RBFNN相结合,为果植物疾病和害虫检测提供了强大而准确的解决方案.
• 这种方法为精准农业提供了有价值的工具,使得早期干预和提高作物产量成为可能.
• 该研究强调了将先进的人工智能算法与遥感集成的潜力,以实现有效的农业监测和管理.