在无人机图像中,深度学习驱动的杂草和作物的自动细分

科学领域:

• 精准农业 精准农业 精准农业
• 遥感 遥感 遥感 遥感
• 深度学习 (Deep Learning) 是一种深度学习.
• 计算机视觉 计算机视觉

背景情况:

• 传统的杂草管理效率低下,对环境有害.
• 准确的作物和杂草细分对于优化资源使用和产量至关重要.
• 基于无人机 (UAV) 的遥感为农业监测提供了一个有希望的替代方案.

研究的目的:

• 开发和评估一个新的精准农业框架,将无人机遥感与超分辨率重建 (SRR) 和语义细分集成在一起.
• 系统地评估深度学习模型,包括CNN,变压器和Mambas,用于作物杂草细分.
• 创建和发布烟草田的注释数据集,以支持未来的研究.

主要方法:

• 应用超分辨率重建 (SRR) 来增强低质量的无人机图像.
• 用语义细分模型 (CNN,变压器,Mamba) 来区分作物和杂草.
• 开发了一个组合模型,结合了变压器 (DPT与DINOv2) 和Mamba架构.

主要成果:

• RCAN实现了最佳的SRR性能,PSNR为24.98dB,SSIM为69.48%.
• 变压器-曼巴组合模型为细分提供了最高的平均交叉点在欧盟 (mIoU) 的90.75%的平均交叉点.
• 该框架表现出对常见的环境干扰的稳定性,其最佳放大因子为4×.

结论:

• 集成的SRR和语义细分框架显著提高了作物杂草识别的准确性.
• 基于变压器和Mamba的模型在复杂的农业环境中表现出卓越的性能.
• 这项研究为作物管理提供了有效和精确的工具,促进了可持续的农业实践.