将地面田间图像所学模式迁移以预测无人机图像用于精准农业中作物与杂草语义分割
计算机视觉与模式识别
2022-10-24 v1 机器学习
摘要
杂草与作物分割正成为精准农业中日益不可或缺的一部分，其利用了当前的计算机视觉与深度学习技术。基于从不同平台相机捕获的图像已开展了广泛研究。无人机（UAV）与包括农业机器人在内的地面车辆是田间数据收集的两类流行平台。它们都服务于保持作物产量的位点特定杂草管理（SSWM）。目前，尽管共享相同的语义对象（杂草与作物），这两类平台的数据是分开处理的。在本文中，我们开发了一个深度卷积网络，能够在仅提供田间图像作为训练阶段输入的情况下，预测来自无人机的田间与航拍图像以进行杂草分割与制图。网络学习过程由浅层与深层的特征图可视化。结果表明，所开发模型在田间数据集上作物（玉米）、杂草与土壤背景分割的平均交并比（IOU）值分别为 0.744、0.577、0.979；使用同一模型对无人机航拍图像，作物（玉米）、杂草与土壤背景分割的 IOU 值分别为 0.596、0.407 与 0.875。为估计对植物保护剂使用的影响，我们基于预测的杂草地图量化了除草剂喷洒节省率与网格大小（喷洒分辨率）之间的关系。当喷洒分辨率为 1.78 x 1.78 cm2 时，喷洒节省率高达 90%。研究表明，所开发的深度卷积神经网络可用于对田间与航拍图像中的杂草进行分类，并给出令人满意的结果。
引用
@article{arxiv.2210.11545,
title = {Transferring learned patterns from ground-based field imagery to predict UAV-based imagery for crop and weed semantic segmentation in precision crop farming},
author = {Junfeng Gao and Wenzhi Liao and David Nuyttens and Peter Lootens and Erik Alexandersson and Jan Pieters},
journal= {arXiv preprint arXiv:2210.11545},
year = {2022}
}