利用多光谱成像与优化分割模型分析植物营养缺乏
计算机视觉与模式识别
2025-07-21 v1
摘要
准确检测植物叶片的营养缺乏对精准农业至关重要,可实现对施肥、病害和胁迫管理的早期干预。本研究提出了一种利用多光谱成像和带有基于 Transformer 注意力头的增强 YOLOv5 模型的叶片异常分割深度学习框架。该模型专为处理九通道多光谱输入而定制,并使用自注意力机制以更好地捕捉细微的、空间分布的症状。实验中的植物在受控营养胁迫条件下培育以供评估。我们进行了广泛的实验,将所提模型与基线 YOLOv5 进行基准比较。大量实验表明,所提模型显著优于基线 YOLOv5,其平均 Dice 分数和 IoU (交并比) 提升约 12%。特别地,该模型在检测褪绿和色素积累等具有挑战性的症状时非常有效。这些结果突出了将多光谱成像与光谱-空间特征学习相结合在推进植物表型分析和精准农业方面的前景。
引用
@article{arxiv.2507.14013,
title = {Analysis of Plant Nutrient Deficiencies Using Multi-Spectral Imaging and Optimized Segmentation Model},
author = {Ji-Yan Wu and Zheng Yong Poh and Anoop C. Patil and Bongsoo Park and Giovanni Volpe and Daisuke Urano},
journal= {arXiv preprint arXiv:2507.14013},
year = {2025}
}