基于无人机多光谱遥感图像的玉米播种植物实例细分方法的研究
Tingting Geng1, Haiyang Yu1,2, Xinru Yuan1
1School of Surveying and Land Information Engineering, Henan Polytechnic University, Jiaozuo 454000, China.
Plants (Basel, Switzerland)
|July 13, 2024
概括
YOLOv8通过使用多光谱无人机数据实现了优异的玉米苗木细分,从而实现了精确的植物分析和智能农业. 这种先进的模型即使在较低的分辨率下也保持了准确性,这对于农业应用至关重要.
科学领域:
- 农业遥感 农业遥感
- 计算机视觉在农业中的应用
- 植物表型定型 植物表型定型
背景情况:
- 准确的单个作物植物细分对于高通量表型和智能农业至关重要.
- 目前的遥感方法通常分析作物种群,而不是单个植物,限制了精度.
- 玉米幼苗分析需要先进的技术来有效地管理作物.
研究的目的:
- 用多光谱无人机数据评估用于玉米苗木识别的实例细分算法.
- 开发和验证用于玉米苗木实例细分的数据集.
- 评估不同分辨率对细分精度的影响.
主要方法:
- 利用来自无人机 (UAV) 的多谱遥感数据来获取玉米.
- 采用分段任何模型 (SAM) 来创建数据集.
- 通过使用各种带组合,比较了六个实例细分算法 (Mask R-CNN, Cascade Mask R-CNN, PointRend, YOLOv5, Mask Scoring R-CNN, YOLOv8).
- 分析了不同空间分辨率的模型性能.
主要成果:
- 在NRG频段中,YOLOv8表现出最高的分段精度,达到95.2%的bbox_mAP50和94%的segm_mAP50.
- 在不同的环境中,YOLOv8显示出强大的泛化能力.
- 即使在降低分辨率 (1.333 cm/px) 的情况下,YOLOv8也保持了高分段精度.
结论:
- YOLOv8对于使用多光谱无人机图像进行单个玉米苗实例细分非常有效.
- 该模型的性能符合详细的表型分析和精密农业的要求.
- YOLOv8为智能现场管理提供了可靠的解决方案,可适应不同的条件和分辨率.
