基于深度学习的航空影像中马铃薯作物胁迫识别

近期关于遥感与基于深度学习的分析在精准农业中应用的研究展示了改善作物管理与减少农业生产环境影响的潜力。尽管结果令人鼓舞，这些技术用于田间部署的实际相关性要求专为农业图像分析定制且对自然田间影像具鲁棒性的新算法。本文提出一种利用深度神经网络分析马铃薯（Solanum tuberosum L.）作物航空影像的方法。主要目标是展示在植株水平上对健康与胁迫作物的自动空间识别。具体地，我们考察Russet Burbank马铃薯植株上导致干旱胁迫的早衰现象。我们提出一种用于检测作物胁迫的新型深度学习（DL）模型，名为Retina-UNet-Ag。所提架构是Retina-UNet的变体，并包含从低级语义表示图到特征金字塔网络的连接。本文还介绍了用Parrot Sequoia相机获取的航空田间影像数据集。该数据集包含健康与胁迫植株区域的手工标注边界框。实验验证展示了区分田间影像中健康与胁迫植株的能力，平均Dice系数（DSC）达0.74。与相关的先进目标检测DL模型比较表明，所提方法对该任务有效。所提方法有助于在自然条件下采集的航空田间影像中评估与识别马铃薯作物胁迫。