利用深度学习对LUCAS作物覆盖照片进行作物识别
计算机视觉与模式识别
2023-05-10 v1
摘要
基于地面影像的深度学习作物分类能够为各类利益相关方提供及时且准确的作物特异性信息。专门的地面图像采集工作有助于在数据稀缺地区收集数据、改善采集时机的控制,或在研究区域过小而无法通过卫星监测时发挥作用。在收集大量数据时,自动标注至关重要。欧盟的土地利用覆盖面积框调查(LUCAS),特别是近期发布的LUCAS覆盖照片数据库,正是此类数据收集之一。本文旨在筛选并发布欧盟12种成熟主要作物的LUCAS覆盖照片子集,部署、基准测试并确定MobileNet用于该分类任务的最佳配置,展示使用基于熵的度量对结果进行后处理的可能性,并最终在实用及政策相关情境中展现该模型的应用与局限。具体而言,在欧盟共同农业政策背景下说明了在地理标记照片上自动识别作物的效用。本研究生成了12个类别共169,460张成熟作物图像的数据集,其中15,876张被人工选为无外来物体或不利条件的干净样本。最佳模型在8,642张照片的不平衡测试集上取得了0.75的宏F1(M-F1)。使用信息论度量即等价参考概率,使性能提升了6%。跨所有作物类别发现,此类图像最不利的条件为季节过早或过晚。所提方法展示了利用图像本身之外的最少辅助数据,即可在12种欧洲主要作物间标注中实现0.817的M-F1。
引用
@article{arxiv.2305.04994,
title = {Crop identification using deep learning on LUCAS crop cover photos},
author = {Momchil Yordanov and Raphael d'Andrimont and Laura Martinez-Sanchez and Guido Lemoine and Dominique Fasbender and Marijn van der Velde},
journal= {arXiv preprint arXiv:2305.04994},
year = {2023}
}