一种深度学习方法,用于从近表面的RGB图像系列中推导小麦现象学,使用时空融合
Yucheng Cai1,2, Yan Li1,2, Xuerui Qi1,2
1National Engineering and Technology Center for Information Agriculture, Nanjing Agricultural University, Nanjing, 210095, China.
Plant methods
|October 1, 2024
概括
这项研究使用近地表面摄像头和深度学习来准确监测小麦的现象学阶段. 顺序融合模型实现了高精度,改善了作物管理和农业可持续性.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 遥感 遥感 遥感 遥感
背景情况:
- 传统的小麦现象学监测是劳动密集型和主观的.
- 接近表面的摄像头为客观,高分辨率的监控提供了潜在的解决方案.
- 深度学习可以处理复杂的图像数据,用于现象阶段检测.
研究的目的:
- 开发和评估深度学习模型,从RGB图像系列中推导小麦的现象阶段.
- 调查图像分辨率,捕捉视角和训练策略对模型性能的影响.
- 通过实时现象学监测,为精准农业奠定基础.
主要方法:
- 使用顺序,同步和并行时空特征融合构建了三种深度学习模型.
- 接近表面的RGB图像系列被用于培训和评估.
- 评估了图像分辨率 (512x512像素),传感器视角 (40°-60°) 和两步微调的影响.
主要成果:
- 序列融合模型表现出最佳性能,总的准确度为0.935.
- 增强的图像分辨率和特定的传感器视角提高了检测准确度.
- 一个两步微调策略增强了模型的稳定性.
结论:
- 接近表面的摄像头和深度学习提供了一种创新的,准确的实时小麦现象学阶段检测方法.
- 优化的图像参数和训练策略显著提高了模型性能.
- 这种方法支持精准农业,增强作物管理,并可扩展到其他作物.
