在无人机RGB图像中估计草覆盖体积,使用基于对象检测的卷积神经网络
Min-Seok Gang1,2, Thanyachanok Sutthanonkul3, Won Suk Lee3
1Department of Biosystems Engineering, College of Agriculture and Life Sciences, Seoul National University, Seoul 08826, Republic of Korea.
Sensors (Basel, Switzerland)
|November 9, 2024
概括
使用卷积神经网络 (CNN) 与无人机 (UAV) 图像精确估计草树冠体体积,可以提高产量预测. 这种先进的方法比精准农业的传统近似方法具有显著的优势.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
背景情况:
- 准确的草树冠体积估计对于产量预测和精准农业至关重要.
- 使用RGB摄像头的手动无人机 (UAV) 飞行越来越多地用于作物监测.
- 目前用于顶体积估计的现有方法往往缺乏精度,并与空间可变性作斗争.
研究的目的:
- 开发和评估一个卷积神经网络 (CNN) 模型,用于精确地估计草树冠体积.
- 为了评估一个领域内的草树冠体积的空间变异性.
- 改进传统的树冠体积近似计算方法.
主要方法:
- 使用基于ResNet50V2的CNN模型,在无人机飞行的RGB图像上进行训练.
- 实现了一个你只看一次v8纳米 (YOLOv8n) 对象检测模型用于图像扭曲校正.
- 训练了CNN模型,使用实际的树冠体积,用扩展聚乙烯 (EPS) 球测量,以计算内部植物结构.
主要成果:
- 采用飞行高度补偿的CNN模型显示,与测量到的天花板体积有很强的相关性 (R2=0.98).
- 与传统的抛物线形状近似相比,精度提高了84%.
- 创建了一个树冠体积地图,揭示了对于特定地点管理至关重要的显著空间变化.
结论:
- 开发的CNN模型提供了一个非常准确和可靠的方法来估计草树冠体积.
- 该方法有效地解决了图像扭曲和内部工厂结构,以改进体积估计.
- 生成的树冠体积地图使得有针对性的农业管理策略能够提高草产量.
