基于深度学习的时间变化检测大叶杂草在田中的侵袭,使用无人机多光谱图像
Rhushalshafira Rosle1, Nik Norasma Che'Ya1, Fariq Rahmat2
1Department of Agriculture Technology, Faculty of Agriculture, Universiti Putra Malaysia (UPM), Serdang, Malaysia.
Frontiers in plant science
|November 13, 2025
概括
这项研究使用深度学习和无人机图像来精确监测大米田的杂草. 它显示了通过特定地点的杂草管理,优化作物保护,可以节省大量除草剂的潜力.
科学领域:
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
- 计算机科学 计算机科学
背景情况:
- 在大米种植中优化除草剂的应用对于成本效益和环境可持续性至关重要.
- 目前的毛毯喷方法导致过度使用除草剂和增加农业开支.
- 特定地点的杂草管理 (SSWM) 策略需要准确,及时的杂草侵袭数据.
研究的目的:
- 开发和评估一种基于深度学习的变化检测方法,用于监测大叶杂草在田中的染动态.
- 通过无人机 (UAV) 的多光谱图像来评估杂草覆盖面的时间变化.
- 通过有针对性的应用策略来估计可实现的潜在除草剂节约.
主要方法:
- 使用无人机在田上空收集多光谱图像.
- 开发一个深度前神经网络 (DFNN) 用于土地覆盖的分类 (土,土壤,宽叶杂草).
- 应用后分类比较用于临时杂草侵袭评估和变化检测.
主要成果:
- 在未经处理的地块上,杂草覆盖率从34DAS的40.95%持续增加到48DAS的47.43%.
- 经过处理的地块显示出有效的杂草控制,估计在34DAS.可能节省40.95%的除草剂.
- 在杂草覆盖面和除草剂节约潜力之间观察到强烈的负相关性 (R2=0.9487).
结论:
- 基于无人机的多光谱成像与深度学习的整合提供了一个强大的工具,用于在水种植中监测时间杂草.
- 开发的方法促进了精准农业,使得对除草剂的应用可以做出数据驱动的决定.
- 这项技术有可能显著降低大米种植中的除草剂使用量和相关成本.
