基于深度学习的作物受损评估中目标检测方法比较
计算机视觉与模式识别
2020-04-23 v3 机器学习
图像与视频处理
摘要
极端天气事件可给农民带来巨大经济损失。有关受损位置与严重程度的详细信息，将有助于农民、保险公司和灾害响应机构作出明智的灾后决策。本研究的目标是通过计算机视觉与深度学习技术从航空影像中检测受损作物区域的概念验证。一个具体目标是比较现有目标检测算法，以确定哪一种最适用于作物受损检测。我们模拟了玉米生产中两种常见的倒伏模式：最低果穗处倒伏和地面处倒伏。模拟受损用于创建训练与分析数据集。采用搭载 RGB 相机的无人机系统（UAS）进行图像采集。评估了三种流行目标检测器（Faster R-CNN、YOLOv2 和 RetinaNet）在田间检测受损区域的能力。使用平均精度比较各目标检测器。YOLOv2 与 RetinaNet 能够跨多个生长后期阶段检测作物受损。Faster R-CNN 不如另外两种先进检测器成功。对所有被测目标检测器而言，在较晚生长阶段检测作物受损更为困难。模拟受损样方中的杂草压力与目标密度增加带来了额外复杂性。
引用
@article{arxiv.1912.13199,
title = {Comparison of object detection methods for crop damage assessment using deep learning},
author = {Ali HamidiSepehr and Seyed Vahid Mirnezami and Jason K. Ward},
journal= {arXiv preprint arXiv:1912.13199},
year = {2020}
}