在无人机的RGB图像中检测植物,使用深度学习的细分和模型精度对下游分析的影响

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 遥感 遥感 遥感 遥感

背景情况:

• 精准农业依赖于无人机 (UAV) 监测植物生长控制.
• 植物数是实地监测中的一个关键任务,对于产量预测和苗木评估至关重要.
• 目前的方法使用计算机视觉和深度学习,但对图像分辨率和数据质量敏感.

研究的目的:

• 开发和评估一种基于深度学习的方法,用于在无人机图像中检测植物.
• 评估培训数据的多样性和质量对植物检测准确性的影响.
• 分析自动植物检测准确度如何使用纹理特征影响作物模式评估.

主要方法:

• 利用深度学习算法,特别是卷积神经网络,用于基于图像分割的植物检测.
• 训练并测试了使用来自俄罗斯的12个orthomosaics和来自Roboflow的17个外部数据集的模型.
• 在手动和自动化植物面罩估计之间比较纹理特征 (GLCM平均值,GLRM长跑,GLRM运行比率).

主要成果:

• 整合各种图像数据集,包括更低的分辨率和质量,大大提高了工厂站台计数性能.
• 与手动方法相比,自动植物检测的更高准确性与质地参数估计的更好的一致性相关.
• 某些纹理特征显示了手动和自动估计之间的密切一致,而其他特征显示了显著的差异.

结论:

• 数据增强,即使是低质量的图像,对于提高植物检测模型的稳定性至关重要.
• 自动植物检测的准确性直接影响作物作物模式评估的可靠性.
• 虽然一些纹理特征对于检测准确性来说很强大,但另一些则需要非常准确的植物面膜来进行可靠的分析.