使用无人机RGB图像从不同的地形区域和不同的语义细分模型中收集的精确细分/绘制烟草幼苗
Qianxia Li1,2,3, Zhongfa Zhou1,2,3, Yuzhu Qian1,2,3
1School of Geography & Environmental Sciences, Guizhou Normal University, Guiyang 500025, China.
Plants (Basel, Switzerland)
|November 27, 2024
概括
在复杂的卡尔斯特山区,使用无人机 (UAV) RGB图像和语义细分模型可以实现精确的烟草苗片细分. U-Net和U-Net++模型在水和丘陵地区分别显示出最佳性能.
科学领域:
- 农业遥感 农业遥感
- 计算机视觉用于作物监测.
- 农业中的地理空间分析.
背景情况:
- 烟草种植阶段对于种植至关重要,影响再种植,施肥和产量估计.
- 从卫星图像中精确细分烟草苗,由于复杂的地形和数据限制,在卡斯特山区具有挑战性.
- 无人机 (UAV) RGB图像为高分辨率作物监测提供了一个潜在的解决方案.
研究的目的:
- 探索精确的语义细分模型,从无人机RGB图像中检测到不同地形分区 (水和丘陵地区) 的烟草苗.
- 评估各种细分网络 (U-Net,U-Net++,Linknet,PSPNet,MAnet,FPN,PAN,DeepLabV3+) 在山种植烟草数据集 (HSTD),大区种植烟草数据集 (DASTD) 和山区种植烟草数据集 (H-DASTD) 上的性能.
- 分析影响细分精度的因素,并确定卡斯特山脉环境中的关键挑战.
主要方法:
- 使用了一系列语义细分网络,包括U-Net,U-Net++,Linknet,PSPNet,MAnet,FPN,PAN和DeepLabV3+.
- 经过训练和验证的模型使用HSTD,DASTD和H-DASTD数据集,包括无人机RGB图像.
- 将模型预测与手动标记的真值进行比较,以使用mIoU,PA,精度,回忆和卡帕系数等指标评估细分性能.
主要成果:
- 划分精度在水地区 (平均mIoU:87%) 与丘陵地区 (平均mIoU:81%) 相比较高.
- 在大地区,U-Net取得了最佳的结果 (mIoU: 93.83%),而U-Net++在丘陵地区表现最好 (mIoU: 84.17%).
- 样本多样性与准确性正相关 (卡帕:H-DASTD > DASTD > HSTD),小烟草和杂草是细分错误的主要来源.
结论:
- 使用无人机RGB图像和语义细分模型,可以在水和丘陵地区精确细分烟草植物苗.
- 模型性能在地理形态区之间有很大差异,因此需要针对不同地形量身定制的方法.
- 该研究为在具有挑战性的卡斯特山区农业景观中精确的作物细分提供了宝贵的技术支持.
