利用时序航拍影像检测与预测养分缺乏胁迫
计算机视觉与模式识别
2022-11-17 v2 机器学习
图像与视频处理
摘要
对养分缺乏胁迫（NDS）进行早期、精准检测具有关键的经济与环境效益；精准施药取代全面施药可降低种植者的运营成本，同时减少可能不必要进入环境的化学品用量。此外，更早处理可减少损失，从而在当季提高作物产量。鉴于此，我们采集高分辨率航拍影像序列，并构建语义分割模型以检测并预测全田的 NDS。我们的工作处于农业、遥感与现代计算机视觉及深度学习的交叉点。首先，我们建立了全田 NDS 检测的基线，并量化了预训练、骨干网络架构、输入表示与采样策略的影响。随后，我们基于 UNet 构建单时间戳模型，量化了季节中不同时间点的可用信息量。接下来，我们构建了所提出的时空架构，其将 UNet 与卷积 LSTM 层结合，以精确检测田间呈现 NDS 的区域；该方法取得了 0.53 的出色 IOU 分数。最后，我们表明该架构可被训练以预测田间预期在后续航拍（未来可能超过三周）中呈现 NDS 的区域——根据预测提前量的不同，保持 0.47–0.51 的 IOU 分数。我们还将发布一个数据集，相信其将惠及计算机视觉、遥感以及农业领域。本工作有助于遥感与农业中深度学习的最新进展，同时应对了具有经济与可持续性影响的关键社会挑战。
引用
@article{arxiv.2012.09654,
title = {Detection and Prediction of Nutrient Deficiency Stress using Longitudinal Aerial Imagery},
author = {Saba Dadsetan and Gisele Rose and Naira Hovakimyan and Jennifer Hobbs},
journal= {arXiv preprint arXiv:2012.09654},
year = {2022}
}