基于无人机多光谱成像与深度学习的番茄农场分支列当及时检测
摘要
本研究探讨了分支列当对供应美国逾 90% 加工番茄的加州番茄产业日益严重的威胁。这种寄生物的大部分生命周期在地下进行，使得早期检测十分困难，而常规化学控制成本高昂、对环境有害且通常无效。为了解决这一问题，我们将基于无人机的多光谱图像与长短期记忆 (LSTM) 深度学习网络相结合，并使用合成少数类过采样技术 (SMOTE) 来处理类别不平衡问题。研究在加州优洛县伍德兰一家已知受列当侵染的番茄农场进行，跨越由生长度日 (GDD) 确定的五个关键生长阶段。对多光谱图像进行处理以分离番茄冠层反射率。在 897 GDD 时，无需整合后期阶段，即可实现 79.09% 的总体准确率和 70.36% 的召回率来检测列当。将连续生长阶段与 LSTM 相结合显著改善了检测效果。表现最好的场景整合了所有生长阶段与 SMOTE 增强，实现了 88.37% 的总体准确率和 95.37% 的召回率。这些结果表明，时间多光谱分析和 LSTM 网络在早期列当检测方面具有巨大潜力。尽管实际部署仍需进一步收集真实世界数据，但本研究表明，基于无人机的多光谱传感结合深度学习可以提供强大的精准农业工具，以减少番茄生产中的损失并提高可持续性。
引用
@article{arxiv.2509.09972,
title = {Drone-Based Multispectral Imaging and Deep Learning for Timely Detection of Branched Broomrape in Tomato Farms},
author = {Mohammadreza Narimani and Alireza Pourreza and Ali Moghimi and Mohsen Mesgaran and Parastoo Farajpoor and Hamid Jafarbiglu},
journal= {arXiv preprint arXiv:2509.09972},
year = {2025}
}
备注
Author-accepted version (no publisher header/footer). 10 pages + presentation. Published in Proceedings of SPIE Defense + Commercial Sensing 2024, Vol. 13053, Paper 1305304. Event: National Harbor, Maryland, USA. Official version: https://doi.org/10.1117/12.3021219