面向生物体积估计的橄榄树冠与阴影分割深度学习模型比较分析
动力系统
2025-10-31 v1
摘要
橄榄树生物体积估计是精密农业中的关键任务，支持产量预测和资源管理，尤其在受气候压力严重影响的地中海地区。本研究对U-Net、YOLOv11m-seg和Mask R-CNN三种深度学习模型用于橄榄树冠与阴影分割进行比较分析。该研究获得的无人机数据集包括来自意大利维科皮亚诺（Vicopisano）的手动标注橄榄树冠与阴影掩模。基于这些标注，该方法强调空间特征提取和鲁棒分割；随后通过结合冠层投影面积与阴影推导的高度信息，并结合日照几何学，对每棵树的生物体积进行估计。在测试中，Mask R-CNN实现了最佳整体准确率（F1 = 0.86；mIoU = 0.72），而YOLOv11m-seg提供了最快的吞吐量（每图像0.12秒）。估计的生物体积范围约为4至24立方米，反映了树木之间清晰的结构差异。这些结果表明，在生物体积精度至关重要时，Mask R-CNN为首选；而在速度至关重要的大范围部署场景中，YOLOv11m-seg更为适用；U-Net则是一个轻量、高灵敏度的选项。该框架实现了准确、可扩展的或chard监测，进一步通过整合数字地面模型（DEM）或数字高程模型（DSM）以及现场校准，可增强其用于运营决策支持的能力。
引用
@article{arxiv.2510.26572,
title = {Generic points in a characteristic class for amenable group actions are closed in the Besicovitch pseudometric},
author = {Sejal Babel and Martha Łącka and Marcel Mroczek},
journal= {arXiv preprint arXiv:2510.26572},
year = {2025}
}
备注
12 pages