相关实验视频
Updated: Jul 14, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.9K
使用深度学习边缘检测和多源特征优化与随机森林的增强大作物识别
Junli Zhou1, Quan Diao2, Xue Liu1
1Henan Institute of Remote Sensing, Zhengzhou 450000, China.
Sensors (Basel, Switzerland)
|October 16, 2025
概括
这项研究提出了一种使用深度学习和卫星数据识别大作物的新方法. 综合方法在复杂的农业领域显著提高了准确性,帮助精准农业.
科学领域:
- 农业遥感 农业遥感
- 深度学习在农业中的应用.
- 植物生产的地理空间分析.
背景情况:
- 准确识别种植对于农业管理和经济规划至关重要.
- 传统的作物识别方法在不同的农业景观中难以准确和空间分散.
- 精准农业需要先进的技术,以可靠地绘制作物图.
研究的目的:
- 开发一个完整的技术框架,用于准确识别大.
- 提高河南省开封市大种植区的地图绘制.
- 在复杂的农业环境中克服传统方法的局限性.
主要方法:
- 利用深度学习边缘检测 (DexiNed) 与高分辨率卫星数据进行现场边界提取.
- 集成多源特征 (Sentinel-1 SAR,Sentinel-2多谱,植被指数) 并使用随机森林和递归特征消除进行优化.
- 通过场边界应用空间约束来完善像素级分类并生成场级产品.
主要成果:
- 功能优化使整体精度从0.91提高到0.93和卡帕系数从0.8654提高到0.8857.
- DexiNed网络实现了94.16%的F1得分,用于精确的领域边界提取.
- 空间优化有效降低了噪音,验证了凯丰成功识别大.
结论:
- 综合框架为准确识别大作物提供了强大的解决方案.
- 深度学习和多源数据融合显著提高了精准农业的能力.
- 开发的方法为农业资源管理提供了可靠的田间规模的作物识别产品.
