17 天前

基于深度学习的目标检测在航拍图像中的马铃薯作物胁迫识别

Sujata Butte, Aleksandar Vakanski, Kasia Duellman, Haotian Wang, Amin Mirkouei
基于深度学习的目标检测在航拍图像中的马铃薯作物胁迫识别
摘要

近期关于遥感与基于深度学习的分析技术在精准农业中应用的研究表明,这些技术具有提升作物管理效率并降低农业生产环境影响的巨大潜力。尽管取得了令人鼓舞的成果,但这些技术在田间实际部署中的实用性仍依赖于针对农业图像分析而定制的新一代算法,并需具备在自然田间图像上稳健运行的能力。本文提出一种基于深度神经网络的分析方法,用于处理马铃薯(Solanum tuberosum L.)作物的航拍图像,旨在实现植株水平上健康与胁迫状态的自动化空间识别。具体而言,研究聚焦于干旱胁迫引发的鲁斯特·伯班克(Russet Burbank)马铃薯植株过早衰老现象。为此,本文提出一种新型深度学习(DL)模型——Retina-UNet-Ag,用于作物胁迫检测。该模型是Retina-UNet的改进变体,引入了从低层语义表征图到特征金字塔网络的连接机制,以增强多尺度特征融合能力。此外,本文还发布了一个使用Parrot Sequoia相机获取的航拍田间图像数据集,其中包含人工标注的健康与胁迫植株区域的边界框。实验验证结果表明,该方法能够有效区分田间图像中的健康与胁迫植株,平均Dice相似系数(DSC)达到0.74。与现有先进深度学习目标检测模型的对比分析显示,所提出方法在该任务中表现优异。综上所述,该方法为在自然条件下获取的航拍图像中实现马铃薯作物胁迫的评估与识别提供了有力支持。