语义细分在大尺寸的正方形马赛克检测植被区域在Opuntia spp. 农作物 农作物 农作物
Arturo Duarte-Rangel1, César Camacho-Bello1, Eduardo Cornejo-Velazquez2
1Artificial Intelligence Laboratory, Universidad Politécnica de Tulancingo, Tulancingo 43629, Hidalgo, Mexico.
Journal of imaging
|August 28, 2024
概括
像DeepLabV3+,UNet和UNet Style Xception这样的深度学习模型精确地细分了Opuntia spp. 在高分辨率无人机图像中的植被,提高农业监测效率.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
背景情况:
- 手动测量Opuntia spp. 的情况. 植被是耗时和低效的.
- 由于图像的变化性,高分辨率的 (超过2000像素) 整形图形呈现细分挑战.
- 准确的作物面积测量对于有效的农业管理至关重要.
研究的目的:
- 评估Opuntia spp.的语义细分的深度学习模型. 在基于无人机的orthomosaics中.
- 解决细分大型高分辨率农业图像的困难.
- 为了比较DeepLabV3+,UNet和UNet Style Xception对Opuntia spp.的性能,我们使用了它们. 分析,分析,分析,分析,分析.
主要方法:
- 使用了来自Opuntia spp.的无人机获得的图像. 在墨西哥伊达尔戈州的图兰辛戈种植.
- 应用了先进的语义细分架构:DeepLabV3+,UNet 和 UNet 风格的 Xception.
- 在高分辨率Opuntia spp.上对模型性能进行了比较分析. 图像.图像.图像.图像.图像.图像.图像.图像.图像.图像.图像.图像.图像.图像.图像.图像.
主要成果:
- 深度学习模型在对Opuntia spp.进行细分方面表现出有效性. 植被地区. 植被地区.
- 对比分析为这个特定作物的不同细分架构的优势提供了洞察力.
- 该研究成功地解决了高分辨率农业形马赛克的细分挑战.
结论:
- 深度学习技术为Opuntia spp.提供了精确有效的替代手动测量方法. 农作物监测 农作物监测 农作物监测
- 经过评估的模型显示,通过自动化图像细分来改善农业分析和管理具有前景.
- 这项研究为应用深度学习在各种作物的精准农业奠定了基础.
