基于无人机作物图像的农业植物编目与计算机视觉数据框架建立

现代农业中基于无人机的图像获取能够收集大量具有空间参考的作物图像数据。然而，在大规模实验中，无人机图像因包含复杂冠层结构中大量作物而存在问题。尤其对于时间效应的观测，这极大增加了跨多幅图像识别单株植物及提取相关信息的难度。本工作中，我们提出一种基于易懂计算机视觉方法、用于无人机作物图像时空自动识别与个体化的实用流程，简称为“编目”。我们在两个真实数据集上评估该流程。一个数据集记录糖用甜菜整个生长周期中 Cercospora 叶斑病（一种真菌病害）的观测。另一个涉及花椰菜植物的收获预测。该植物编目用于提取多个时间点出现的单株植物图像，由此汇集大规模时空图像数据集，可进一步应用于训练包含多数据层的机器学习模型。所提方法显著改善了农业无人机数据的分析与解读。通过参考数据的验证，我们的方法精度与更复杂的基于深度学习的识别技术相当。我们的流程能够实现植物编目与训练图像提取的自动化，尤其适用于大型数据集。