通过深度学习和超轻型无人机监测大米叶卷机造成的叶子损伤
Lang Xia1,2, Ruirui Zhang1,2, Liping Chen3,4
1National Research Center of Intelligent Equipment for Agriculture, Beijing Academy of Agriculture and Forestry Sciences, Beijing, China.
Pest management science
|September 12, 2024
概括
本研究介绍了一种有效的方法,用于监测使用超轻型无人机 (UAV) 和深度学习的叶滚筒损伤. 该方法准确地识别和计数受损区域,改进大米生产的害虫管理策略.
科学领域:
- 农业昆虫学 农业昆虫学
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
背景情况:
- 叶虫的感染对米生产构成重大威胁,需要有效的害虫控制策略.
- 由于图像质量和识别方法的局限性,对大米叶滚筒损坏的准确监测受到阻碍.
- 现有的关于快速准确识别叶滚筒损伤的研究很少.
研究的目的:
- 开发一种快速而准确的方法,用于识别和量化在田中的叶滚筒损害.
- 利用超轻型无人机 (UAV) 来获取受损田的高分辨率图像.
- 应用深度学习细分模型来准确识别损坏区域和补丁计数.
主要方法:
- 利用超轻型无人机捕获高分辨率图像,减轻下水流场干扰.
- 采用了Attention U-Net深度学习细分模型来识别叶滚筒损坏的区域.
- 根据细分区域开发了一种计算受损补丁的方法.
主要成果:
- 注意U-Net获得了0.908的高F1得分,超过了传统的随机森林 (RF) 方法.
- 无人机和深度学习方法在识别损坏补丁方面表现出合理的准确性,确定系数为0.879.
- 地面验证证实了该方法的有效性,强调了损害的不均的空间分布.
结论:
- 通过使用超轻型无人机,为监测米叶滚筒损坏提供了一个有效的愿景.
- 有助于有效的控制和管理策略,对危险的叶滚动虫害.
- 强调了集成无人机和深度学习技术在农业害虫监测中的潜力.
