根据支持矢量机和YOLO算法,从无人机图像中估计的苗数量
Hongxing Chen1,2, Hui Chen1,2, Xiaoyun Huang1,2
1College of Agriculture, Guizhou University, Guiyang, China.
Frontiers in plant science
|October 11, 2024
概括
来自无人机图像的精确苗种植数量对于繁殖至关重要. YOLOv8深度学习模型在自动计数无人机图像中的幼苗方面显著超过了其他模型.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 植物育种 植物育种
背景情况:
- 手动计数小麦苗是劳动密集型和耗时的.
- 无人驾驶飞行器 (UAV) 为高分辨率作物监测提供了一种经济高效,非破坏性的方法.
- 准确的种苗计数对于在育种计划中识别高新兴的果品种至关重要.
研究的目的:
- 为了评估机器学习和深度学习模型的性能,使用无人机捕获的RGB图像来自动计数小麦苗.
- 为了评估这些模型在不同飞行高度的强度.
主要方法:
- 测试了三个模型:支持矢量机 (SVM),YOLOv5和YOLOv8.
- 利用无人机在不同高度 (15米,30米,45米) 拍摄的红绿蓝 (RGB) 图像.
- 使用R值来评估幼苗估计性能的量化模型准确性.
主要成果:
- 在所有测试高度 (R值:0.93,0.90,0.71) 中,YOLOv8在估计苗数量方面表现出最高的准确性.
- 随着海拔高度的增加,SVM和YOLOv5的准确性越来越低,越来越低.
- 与其他车型相比,YOLOv8即使在较高的海拔上也保持了卓越的性能.
结论:
- 无人机图像与YOLOv8模型相结合,提供了一种有效和准确的方法,用于大规模计数小麦苗.
- 这种自动化方法显著提高了的表型化效率和准确性.
- 这些发现支持将无人机技术和深度学习整合到先进的农业研究和育种中.
