基于深度学习的语义细分,通过分析覆盖面的动态变化来估计产量

科学领域:

• 农业科学
• 计算机视觉
• 植物表型化

背景情况:

• 全球人口增长和气候变化需要更高的农业生产力.
• 现有的产预测模型往往缺乏动态时间分析,限制了准确性.
• 面包覆盖面的动态变化对产量产生重大影响,需要先进的监测技术.

研究的目的:

• 为米表型和产量预测开发一个新的时间框架.
• 将高分辨率的RGB图像与深度学习集成为动态恐慌分析.
• 使用时间序列成像数据准确估计大米产量及其组成部分.

主要方法:

• 在两个生长季节中获得了高分辨率的RGB图像.
• 评估了五个语义细分模型 (DeepLabv3+,U-Net,PSPNet,FPN,LinkNet) 用于米粉的划分.
• 将时间序列的覆盖率数据与分片函数相结合,以提取关键生长参数 (K,g,d0,a,d1),并将其用于机器学习模型 (PLSR,RFR,GBR,XGBR) 进行产量预测.

主要成果:

• DeepLabv3+ 和 LinkNet 在面膜细分方面取得了很高的性能 (mIoU > 0.81).
• 最大覆盖面 (K) 与产量 (r=0.87) 和颗粒数 (r=0.85) 强烈相关.
• 随机森林回归器 (RFR) 和XGBoost回归器 (XGBR) 模型显示出最高的产量预测精度 (R2=0.89).

结论:

• 开发的框架有效地使用RGB图像量化米的发育动态.
• 这种方法可以准确预测产量,支持精准农业和作物育种.
• 将时间成像与深度学习相结合为农业监测提供了强大的工具.