WeedMap：基于航空多光谱成像与深度神经网络的大规模语义杂草制图框架用于精准农业
机器人学
2018-09-07 v2
摘要
我们提出了一种新颖的杂草分割与制图框架，利用深度神经网络（DNN）处理由无人机（UAV）获取的多光谱图像。大多数关于作物/杂草语义分割的研究仅考虑单幅图像进行处理与分类。无人机拍摄的图像通常仅覆盖几百平方米，且仅有彩色或彩色与近红外（NIR）通道。使用 DNN 计算单一大型且准确的植被图（如作物/杂草）并非易事，其困难源于：（1）高海拔数据集中有限的地面采样距离（GSD），（2）高保真图像下采样导致的分辨率损失，以及（3）多光谱图像配准。为解决这些问题，我们采用独立滑动窗口方法，仅对通道级对齐且经全图辐射校准的多光谱正射 mosaic 地图（瓦片）的小块区域进行操作。我们将瓦片尺寸定义为与 DNN 输入相同以避免分辨率损失。相较于基线模型（即带 3 通道 RGB 输入的 SegNet）给出的曲线下面积（AUC）[背景=0.607，作物=0.681，杂草=0.576]，我们提出的 9 输入通道模型达到了 [0.839，0.863，0.782]。此外，我们从定性与定量两方面对 20 个训练模型进行了广泛分析，以评估不同输入通道与可调网络超参数的影响。进而，我们发布了一个带有专家标注的大型甜菜/杂草航空数据集，以推动遥感、精准农业与农业机器人领域的研究。
引用
@article{arxiv.1808.00100,
title = {WeedMap: A large-scale semantic weed mapping framework using aerial multispectral imaging and deep neural network for precision farming},
author = {Inkyu Sa and Marija Popovic and Raghav Khanna and Zetao Chen and Philipp Lottes and Frank Liebisch and Juan Nieto and Cyrill Stachniss and Achim Walter and Roland Siegwart},
journal= {arXiv preprint arXiv:1808.00100},
year = {2018}
}
备注
25 pages, 14 figures, MDPI Remote Sensing