基于无人机的数字表型化用于评估干豆 (Phaseolus vulgaris L.) 的相对成熟度,站数和植物高度

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:

• 手动跟踪植物成熟度,数和高度是劳动密集型和昂贵的.
• 传统的作物表型方法缺乏现代研究所需的吞吐量和准确性.

研究的目的:

• 探索深度学习 (DL) 和RGB无人机图像,以测量相对成熟度 (RM),站数 (SC) 和植物高度 (PH).
• 评估与传统的表型化方法相比,更高的吞吐量,准确性和成本效益的潜力.

主要方法:

• 混合卷积神经网络 (CNN) 和长短期记忆 (LSTM) 模型被用于时间序列RM估计.
• 更快的RCNN物体检测被评估为早期SC评估.
• 从数字表面模型 (DSM) 和点云 (PC) 数据中使用量子式方法估计的工厂高度 (PH).

主要成果:

• 在RM预测中,CNN-LSTM模型实现了高准确度,超过了传统方法.
• 更快的R-CNN在早期SC识别中表现出卓越的准确性和一致性.
• PH估计显示了与基准真相数据的中等相关性;PH的新减法与现有技术可比.

结论:

• DL模型 (CNN-LSTM,更快的R-CNN) 显著改善了RM和SC的量化.
• 开发的管道和开源软件为植物表型化社区提供了巨大的好处.
• 基于无人机的DL方法为农业研究提供了一个有希望,高效和准确的替代方案.