植物和杂草的自动细分在宽带多谱成像 (WMI) 中
Sovi Guillaume Sodjinou1, Amadou Tidjani Sanda Mahama2, Pierre Gouton1
1ImViA, UFR Sciences et Techniques, Université de Bourgogne Europe, 21078 Dijon, France.
Journal of imaging
|March 26, 2025
概括
这项研究引入了一种新的深度学习算法,用于使用多谱图像进行植物和杂草细分. 该方法实现了98.2%的准确性,推进了精密农业应用.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 精准农业 精准农业 精准农业
背景情况:
- 语义细分对于计算机视觉至关重要,使得像素级图像分析成为可能.
- 深度学习,特别是卷积神经网络 (CNN),推动了对作物,植物和杂草进行细分的进展,用于精准农业.
研究的目的:
- 提出一种新的语义细分算法,用于在宽带多谱图像中区分植物和杂草.
- 加强现有的深度学习模型,以改善农业环境中的植物和杂草识别.
主要方法:
- 利用PIF-Net模型从多光谱图像中提取和融合特征.
- 增强了一个优化的U-Net模型,用于语义细分的功能合并.
- 将算法应用于CAVIAR数据集中的场景.
主要成果:
- 拟议的算法在区分植物和杂草方面实现了98.2%的整体准确性.
- 成功捕获复杂的场景细节并有效调节学习过程.
- 在语义细分任务中证明了准确和引人注目的结果.
结论:
- 开发的算法在多光谱图像中为植物和杂草细分提供了高度准确的解决方案.
- 这项研究有助于在精准农业中推进深度学习应用.
- 该方法显示了自动化农业监测和管理的巨大潜力.
