用无人机RGB图像的语义细分来估计Kenaf苗木在盐土中的树冠覆盖面,使用无人机RGB图像的语义细分
Wei Wang1, Kunzhi Cao1, Guiying Luo1
1College of Agriculture & Ramie Research Institute, Hunan Agricultural University, Yuelushan Laboratory, Changsha, China.
Frontiers in plant science
|February 26, 2026
概括
这项研究引入了一种使用无人机图像和人工智能的自动化方法,用于监测盐土壤中的Kenaf (Hibiscus cannabinus L.) 苗木生长. 该方法准确地识别了植物,并估计了树冠覆盖面,有助于品种选择,以提高作物产量和质量.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 遥感 遥感 遥感 遥感
背景情况:
- 肯纳夫 (Hibiscus cannabinus L.) 苗木的生长对于产量和质量至关重要.
- 在盐条件下对Kenaf的低效监测和评估带来了挑战.
- 需要自动植物识别和树冠覆盖率估计才能进行精确的生长分析.
研究的目的:
- 使用无人机图像和深度学习开发Kenaf苗木识别和树冠覆盖率估计的自动化方法.
- 为了比较经典语义细分模型 (FCN,U-Net,DeepLabV3+) 对Kenaf幼苗细分的性能.
- 增强模型性能,并允许在盐环境中对Kenaf生长进行定量分析.
主要方法:
- 高分辨率的无人机可见光图像被采集和处理.
- 通过校准,裁剪和注释,创建了一个Kenaf幼苗的数据集.
- 三种语义细分模型 (FCN,U-Net,DeepLabV3+) 被训练并使用图像增强策略进行评估.
- 开发了一个带有自我注意 (SE) 通道机制的增强U-Net模型.
- 根据细分结果计算了植物树冠覆盖面,以分析生长表现.
主要成果:
- 所有测试的模型都成功地从土壤背景对Kenaf植物进行了细分.
- U-Net实现了最佳的准确性和细节保留;DeepLabV3+在小物体识别方面表现出色;FCN提供了计算效率.
- 增强的U-Net模型实现了85.99%的联盟交叉点 (IoU) 和92.44%的子系数.
- 根据生长分析,Xiao 3,K5和Xiao 2品种表现出强大的盐酸适应性.
结论:
- 开发的自动化方法可以高精度识别和定量分析Kenaf幼苗.
- 这种方法为监测苗木生长和选择适合盐土壤的品种提供了有效的技术支持.
- 深度学习语义细分,特别是通过增强的U-Net,是农业监测的强大工具.
