一种结合Mask R-CNN和区域细分的草成熟度的精细识别方法
Can Tang1, Du Chen1,2, Xin Wang1
1College of Engineering, China Agricultural University, Beijing, China.
Frontiers in plant science
|September 6, 2023
概括
准确的草成熟度识别对于最大限度地提高经济效益至关重要. 这项研究开发了一种深度学习和图像处理方法,在复杂的野外条件下精确识别六个成熟度,改善收获管理.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 在最佳成熟期收获草对于质量和经济回报至关重要,因为成熟期很短.
- 不准确的收获时间会对草质量产生负面影响,并减少经济效益,需要精确的成熟度识别.
- 有效的作物信息和及时的收获管理指导对于最大限度地提高产量和质量至关重要.
研究的目的:
- 通过深度学习和图像处理,提出一种用于田间草成熟度的精细识别方法.
- 在复杂的野外环境中增强草目标提取和成熟度分类.
- 为精细的草种植管理提供准确的决策支持.
主要方法:
- 一个Mask R-CNN骨干网络集成与自我校准的卷积,以改进草目标提取.
- 草目标的区域细分为四个子区域,用于提取颜色特征 (B,G,L,a,S通道).
- 使用提取的颜色特征和支持矢量机 (SVM) 分类器对草成熟度的分类.
主要成果:
- 增强的Mask R-CNN模型实现了0.937的平均精度 (AP),这是一个显著的改进.
- 使用BGLaS颜色特征的SVM分类器实现了0.866的准确度,用于成熟度分类.
- 拟议的方法在分类准确性方面表现优于手动特征提取,AlexNet和ResNet18模型.
结论:
- 自校准卷曲的集成大大提高了Mask R-CNN的性能和稳定性.
- 结合的颜色特征和SVM分类器提供了有效的草成熟度分类.
- 该方法在复杂的现场条件下准确评估六个不同的成熟度水平,支持精细的管理.
