国偷自产一区二区免费视频,美女免费视频一区,九九热线视频只有这里最精品,欧美日韩一区成人

準(zhǔn)確繪制農(nóng)田地圖是精準(zhǔn)農(nóng)業(yè)的重要先決條件，因?yàn)樗兄谔镩g管理、產(chǎn)量預(yù)測(cè)和環(huán)境管理。作物對(duì)種植模式很敏感，有些作物補(bǔ)償一行內(nèi)差距的能力有限。在無(wú)人機(jī)上安裝傳感器的光學(xué)成像是當(dāng)今捕捉農(nóng)田圖像的一種經(jīng)濟(jì)高效的選擇。然而，視覺(jué)檢查這類圖像是一項(xiàng)具有挑戰(zhàn)性和易有偏差的任務(wù)，特別是一次性檢測(cè)出植物和種植行。因此，開(kāi)發(fā)一種能夠從無(wú)人機(jī)圖像中同時(shí)提取植物個(gè)體和種植行的網(wǎng)絡(luò)結(jié)構(gòu)是支持農(nóng)業(yè)系統(tǒng)管理的重要需求。

01 本文提出的框架由五個(gè)步驟組成

1.使用嵌入式無(wú)人機(jī)平臺(tái)的攝像機(jī)從玉米和柑橘田獲取RGB圖像。

2.由專家在GIS(地理信息系統(tǒng))環(huán)境中對(duì)圖像及其標(biāo)簽進(jìn)行預(yù)處理。

3.使用隨機(jī)劃分的方法將數(shù)據(jù)分解為訓(xùn)練、驗(yàn)證和測(cè)試數(shù)據(jù)集。

4.通過(guò)檢測(cè)種植行數(shù)和植物數(shù)量對(duì)模型進(jìn)行性能評(píng)估。

5.通過(guò)本文的CNN方法計(jì)算的每個(gè)任務(wù)的誤差指標(biāo)。

RGB圖像的高比例示例用于顯示人工識(shí)別的種植行、玉米植株和柑橘樹(shù)

02 基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的深度學(xué)習(xí)方法

該方法在考慮高密度種植的情況下，同時(shí)檢測(cè)和定位種植行，同時(shí)計(jì)算其植物數(shù)量。該實(shí)驗(yàn)在不同生長(zhǎng)階段的玉米田和柑橘園中進(jìn)行了評(píng)估。這兩個(gè)數(shù)據(jù)集描述了不同地點(diǎn)、不同作物類型、不同傳感器和日期的不同植物密度場(chǎng)景。

03 檢測(cè)植物和種植行的方法

該方法首先從如圖二(a)所示的RGB輸入圖像中提取如圖二(b)所示的特征圖。特征映射在通過(guò)PPM時(shí)獲得全局和局部鄰域信息(見(jiàn)圖二(c))。然后，volume輸入到MSM處理，見(jiàn)圖二(d)，具有T stages，并進(jìn)行精調(diào)，以檢測(cè)兩個(gè)分支中的植物和種植行。為此，如圖二(c)所示，從PPM模塊獲得的volume用作MSM T stages的輸入。此外，這兩個(gè)分支在MSM的每個(gè)階段之間共享其volume，從而更精確地識(shí)別植物和種植行。最后，我們?cè)诿總€(gè)分支的處理結(jié)束時(shí)獲得如圖二(e)所示的植物檢測(cè)和如圖二(f)所示的行檢測(cè)。

檢測(cè)植物和種植行的方法圖二

04 與一些最先進(jìn)的對(duì)象檢測(cè)方法相比

與一些最先進(jìn)的對(duì)象檢測(cè)方法(HrNet, Faster R-CNN, and RetinaNet)相比，本文的CNN獲得了更好的MAE、MRE、MSE、Precision和F-measure值。這表明，與其它評(píng)估的深度網(wǎng)絡(luò)相比，該方法提供了更準(zhǔn)確的檢測(cè)，同時(shí)產(chǎn)生更少的錯(cuò)誤檢測(cè)。

顯示了該方法在檢測(cè)植物行方面的性能

高級(jí)生長(zhǎng)階段(cobs成熟階段)玉米植物數(shù)據(jù)集的目標(biāo)檢測(cè)方法的視覺(jué)比較

05 結(jié)論

本文介紹了一種CNN方法，用于同時(shí)檢測(cè)不同數(shù)據(jù)集（玉米田和柑橘園）中的植物和種植行，該數(shù)據(jù)集是由基于無(wú)人機(jī)的遠(yuǎn)程系統(tǒng)獲取的RGB圖像得出的。提出的方法是一種可行的替代目視檢查的方法，應(yīng)該有助于精準(zhǔn)農(nóng)業(yè)實(shí)踐。結(jié)果表明，該方法具有很高的準(zhǔn)確性。對(duì)于種植園行檢測(cè)，本文方法返回的精度、召回率和F-measure分?jǐn)?shù)分別為0.913、0.941和0.925。對(duì)于柑橘種植園行檢測(cè)，本文方法的精度、召回率和F-measure分?jǐn)?shù)分別為0.965、0.970和0.964。由于該方法使用基于RGB的傳感器，因此具有合理的成本選擇。

本文CNN方法的另一個(gè)貢獻(xiàn)是，通過(guò)應(yīng)用兩個(gè)分支架構(gòu)并使信息能夠在它們之間進(jìn)行共享交換，可以受益于一個(gè)檢測(cè)到另一個(gè)的結(jié)果。此外，它不是使用常見(jiàn)的bounding box對(duì)象檢測(cè)方法，而是估計(jì)置信圖來(lái)檢測(cè)單個(gè)植物。這在評(píng)估高密度種植園時(shí)具有優(yōu)勢(shì)，因?yàn)樗灰蕾囉谀繕?biāo)邊界，而是使用唯一像素被識(shí)別為植物的概率。 在目前情況下，該方法可以增強(qiáng)決策任務(wù)，同時(shí)有助于通過(guò)遙感系統(tǒng)對(duì)農(nóng)業(yè)地區(qū)進(jìn)行更可持續(xù)的管理。本文提出的方法可能有助于遙感技術(shù)和精準(zhǔn)農(nóng)業(yè)應(yīng)用的研究。

來(lái)源：農(nóng)業(yè)之巔