通过整合无人机RGB图像和深度学习来增强高覆盖率的Amorphophallus konjac的识别和计数
Ziyi Yang1, Kunrong Hu1, Weili Kou1,2
1College of Big Data and Intelligent Engineering, Southwest Forestry University, Kunming, 650223, Yunnan, China.
Scientific reports
|February 22, 2025
概括
通过将深度学习 (DL) 模型与来自多个生长阶段的位置数据集成,提高了高覆盖阶段准确的Amorphophallus konjac (Konjac) 植物计数. 这种方法提高了产量预测和农业管理效率.
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:
- 准确的作物计数对于农业管理和产量预测至关重要.
- 现有的方法在较高的树冠覆盖面和较晚生长阶段的植物封闭方面存在困难.
- 由于其在高覆盖期的生长特征,发现亚摩花 (Konjac) 植物具有挑战性.
研究的目的:
- 评估深度学习 (DL) 模型和Count Crops工具,用于在高覆盖率阶段检测Konjac植物.
- 开发一种综合方法,将DL与位置信息相结合,以改进康杰克植物计数.
- 为了提高 Konjac 植物在后期生长阶段的识别和计数的准确性.
主要方法:
- 利用Konjac的早期和高覆盖率生长阶段的无人机 (UAV) 图像.
- 评估了计数作物工具和DL模型的性能,该模型经过早期图像训练.
- 开发了一种综合方法,将DL检测与两阶段的Konjac工厂位置数据结合起来.
主要成果:
- 计数作物工具的表现比早期DL模型单独表现得更好.
- 综合DL方法实现了高精度 (精度:98.7%,回忆:86.7%,F1得分:92.3%).
- 结合方法显著提高了检测准确度,并减少了后期阶段的注释时间.
结论:
- 从早期阶段将DL检测与来自多个阶段的位置数据集成,提高了Konjac工厂计数的准确性.
- 这种创新方法提供了一种有价值的方法,用于在高度重叠的生长阶段检测和计数作物.
- 该研究为改善农作物识别和计算在具有挑战性的农业场景中提供了新的视角.
