从无人机图像中检测杂草使用深度学习-高端和低成本多谱传感器之间的比较

科学领域:

• 农业工程 农业工程
• 遥感 遥感 遥感 遥感
• 计算机视觉 计算机视觉

背景情况:

• 随着全球作物需求的增加,在具有挑战性的气候条件下,需要可持续农业.
• 有效的杂草管理对于最大限度地减少作物产量损失和通过有针对性的除草剂应用来减少环境影响至关重要.
• 可访问和可靠的杂草检测系统对于准确农业技术的广泛采用至关重要.

研究的目的:

• 引入和评估一个自制的,低成本的多光谱摄像系统用于杂草检测.
• 将低成本系统的性能与高端 MicaSense Altum 系统进行比较.
• 评估开发的系统在实现自动除草和可持续精准农业方面的潜力.

主要方法:

• 开发一个低成本的多光谱摄像系统.
• 在玉米田中获取无人机数据集,使用低成本和Altum系统.
• 在收集的数据集上使用U-Net深度学习模型对基于像素的杂草和作物进行分类.
• 通过基于索引的值和手动注释生成培训和测试数据.

主要成果:

• 低成本系统在杂草分类方面获得了76%的F1分数,而Altum系统的F1分数为82%.
• 低成本系统的回忆值为68%,Altum系统的回忆值为75%.
• 低成本系统的精度达到了90%,在小杂草或重叠杂草中观察到微小的过分细分问题.

结论:

• 开发的低成本多谱摄像系统显示了精密农业中自动化除草应用的巨大潜力.
• 尽管有轻微的错误分类,但该系统的高精度表明其可用于更广泛的最终用户的实际使用.
• 建议对不同作物的光谱特性和实时处理进行进一步的研究,以提高系统功能.