深度学习和超频谱特征用于在田中识别园草的种苗阶段
Siqiao Tan1, Qiang Xie1, Wenshuai Zhu2
1College of Information and Intelligent Science and Technology, Hunan Agricultural University, Changsha, Hunan, China.
Frontiers in plant science
|February 24, 2025
概括
使用DeepBGS框架的高光谱成像可以准确地识别田中的农场草. 这种早期检测系统达到98.18%的准确性,对于有效的杂草控制至关重要.
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:
- 园草是大米种植的主要杂草,显著影响作物产量.
- 对于有效的管理来说,早期检测小院草是至关重要的,但与大米苗的视觉相似性使识别变得复杂.
- 传统的可见光成像技术在早期生长阶段难以区分这些物种.
研究的目的:
- 探索使用超光谱成像用于在大米中早期检测农场草的可行性.
- 开发和验证一个新的深度学习框架,DeepBGS,用于此识别任务.
主要方法:
- 开发了使用深层卷积网络和双层LSTM模块的DeepBGS框架.
- 采用滑窗技术将1D光谱数据转换为2D矩阵进行分析.
- 从超光谱波段中自动提取特征,以捕获全球和本地光谱相关性.
主要成果:
- 在DeepBGS框架中,在2-3叶阶段,在区分农场草和大米方面实现了98.18%的准确率.
- 这种性能超过了依赖传统机器学习和特征减少技术的现有方法.
- DeepBGS展示了独立的突出特征提取能力.
结论:
- 超光谱成像是一种可行的技术,可以有效地在早期识别花园草.
- DeepBGS框架为开发先进的自动杂草检测系统提供了强大的解决方案.
- 这项技术可以通过及时管理杂草来显著帮助农业实践.
