综合性植物健康监测:专家级评估与时空图像数据
Alvaro Fuentes1,2, Syed Ali Asgher1,2, Jiuqing Dong1,2
1Department of Electronics Engineering, Jeonbuk National University, Jeonju, Republic of Korea.
Frontiers in plant science
|June 16, 2025
概括
本研究介绍了使用RGB图像进行自动化植物健康监测的深度学习框架. 该系统准确评估作物健康状况,使得早期发现问题,并支持精准农业.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 植物病理学 植物病理学
背景情况:
- 传统的作物健康监测是劳动密集型的,缺乏早期检测能力.
- 及时,积极的干预对于保持作物健康和确保粮食安全至关重要.
研究的目的:
- 开发专家级的深度学习框架,使用顺序RGB图像进行空间时间植物健康评估.
- 根据视觉和形态指标,将植物健康分为五个级别 (非常差到最佳).
主要方法:
- 收集了一组定制数据集,包括来自200种西红植物的12,119张注释图像,分别来自三个品种.
- 利用最先进的卷积神经网络 (CNN) 和变压器架构进行健康预测.
- 在多个种植季节的半开放温室图像上训练并验证了模型.
主要成果:
- 深度学习框架实现了准确的,特定阶段的植物健康预测.
- 模型的预测与专家的注释密切一致,证明了追踪植物健康进展的可靠性.
- 为持续监测和早期干预生成动态种植地图.
结论:
- 拟议的框架为精准农业提供可扩展的,自动化的植物健康监测.
- 该系统通过识别关键视觉指标和压力因素来支持数据驱动的作物管理.
- 这种方法有可能显著推进作物管理战略和全球粮食安全.


