利用融合手工纹理特征的DCNN从无人机获取的小麦与油菜图像预测倒伏
计算机视觉与模式识别
2019-06-20 v1
摘要
倒伏，即粮食作物永久性弯曲倒伏，会导致植株生长发育不良。因此，倒伏造成作物品质下降、产量降低，并使收获困难。植物育种者例行评估数千个育种品系，因此自动倒伏检测与预测对辅助选择具有重要价值。本文中，我们提出了一种深度卷积神经网络（DCNN）架构，用于利用来自油菜和小麦育种试验的五光谱通道正射影像进行倒伏分类。此外，使用迁移学习，我们采用成熟的深度卷积神经网络架构训练了10个倒伏检测模型。我们提出的模型优于文献中使用仅手工特征的先进倒伏检测方法。与10个DCNN倒伏检测模型相比，我们提出的模型取得了相当的结果，同时参数数量大幅减少。这使得所提模型适用于诸如使用廉价硬件进行实时分类以用于高通量表型分析流程的应用。代码和模型位于 https://github.com/FarhadMaleki/LodgedNet。
引用
@article{arxiv.1906.07771,
title = {Crop Lodging Prediction from UAV-Acquired Images of Wheat and Canola using a DCNN Augmented with Handcrafted Texture Features},
author = {Sara Mardanisamani and Farhad Maleki and Sara Hosseinzadeh Kassani and Sajith Rajapaksa and Hema Duddu and Menglu Wang and Steve Shirtliffe and Seungbum Ryu and Anique Josuttes and Ti Zhang and Sally Vail and Curtis Pozniak and Isobel Parkin and Ian Stavness and Mark Eramian},
journal= {arXiv preprint arXiv:1906.07771},
year = {2019}
}