基于无人机多光谱成像和深度学习框架的米中细菌叶病的现场规模检测
Guntaga Logavitool1, Teerayut Horanont1, Aakash Thapa2
1School of Information, Computer and Communication Technology, Sirindhorn International Institute of Technology, Thammasat University, Pathum Thani, Thailand.
PloS one
|January 17, 2025
概括
使用无人机图像和U-Net深度学习的新管道准确地检测米中的细菌叶病 (BLB). 这种方法精确地绘制疾病的严重程度,帮助补偿和改善农业管理.
科学领域:
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
背景情况:
- 细菌叶病 (BLB) 显著降低了大米产量,影响了农民,需要准确的损害评估来补偿.
- 现有的BLB检测方法通常是劳动密集型的,可能无法及时或准确地进行评估.
研究的目的:
- 开发和验证一种新的管道,用于检测大米中的细菌叶病,使用无人机 (UAV) 图像.
- 通过评估不同的光谱带组合和深度学习架构来优化检测管道.
主要方法:
- 用一个带有ResNet-101骨干的U-Net架构用于图像细分.
- 测试了三种光谱带组合:多光谱,多光谱+NDVI和多光谱+NDRE.
- 通过疾病注射生成定制数据集,并使用补丁提取和数据增强技术进行增强.
主要成果:
- 使用ResNet-101骨干的U-Net模型,在多光谱+NDVI数据上进行训练,实现了卓越的性能.
- 关键准确度指标包括mIoU为97.20%,平均准确率为99.42%,平均F1得分为98.56%,平均精度为97.97%,平均回忆率为99.16%.
- 该模型有效地对健康大米进行了细分,最大限度地减少了错误分类,并改善了疾病严重程度的评估.
结论:
- 开发的基于无人机的管道提供了一种可靠和准确的方法,用于绘制大米田中BLB的范围和严重程度.
- 这项技术可以促进准确的补偿分配,并有可能诊断其他水疾病.
- 该方法通过精确的损害映射和产量损失估计来增强农业管理.
