桥梁技术和生态学:提高深度学习和无人机式花朵识别的适用性

科学领域:

• 生态生态学 生态生态学
• 计算机科学 计算机科学
• 遥感 遥感 遥感 遥感

背景情况:

• 昆虫生物量减少对生物多样性和生态系统功能构成重大生态威胁.
• 有效监测授粉者息地,特别是花资源,对于保护战略至关重要.
• 整合无人机和深度学习等先进技术可以增强生态研究能力.

研究的目的:

• 评估无人机和深度学习技术在监测授粉者息地的实际应用.
• 简化对象检测模型在生态研究中用于花朵识别的使用.
• 为生物学家提供一本关于将花朵识别应用到无人机 (UAV) 图像的指南.

主要方法:

• 更新了一个对象检测工具箱到TensorFlow 2以提高性能和兼容性.
• 测试了三种对象检测模型 (Faster R-CNN,SSD,EfficientDet) 用无人机图像数据集对富有花的草原进行测试.
• 开发了一份实用指南,用于将花朵识别技术应用于无人机数据.

主要成果:

• 基于Faster区域的卷积神经网络 (Faster R-CNN) 实现了最高的整体性能,精度为89.9%,回忆率为89%.
• EfficientDet提供了最低的模型复杂性,平衡了效率和检测性能,尽管精度低于Faster R-CNN.
• 该研究展示了深度学习模型在无人机图像中自动检测花朵的潜力.

结论:

• 无人机和深度学习技术为监测授粉者息地和植物资源提供了一个有希望的方法.
• 更快的R-CNN和EfficientDet是生态研究中花朵识别的可行模型,在性能和复杂性方面有权衡.
• 需要进一步的研究来应对诸如密集的植被和花朵检测中的环境变化等挑战.