weedNet：基于多光谱图像与微型飞行器的密集语义杂草分类用于智能农业
计算机视觉与模式识别
2017-09-12 v1 机器人学
摘要
选择性杂草处理是自主作物管理中与作物健康和产量相关的关键步骤。然而，一个关键挑战是可靠且准确的杂草检测，以最小化对周围植物的损害。本文中，我们提出一种利用微型飞行器（MAV）采集的多光谱图像进行密集语义杂草分类的方法。我们使用最近开发的编码器-解码器级联卷积神经网络（CNN）Segnet，其推断密集语义类别，同时允许任意数量的输入图像通道，并利用我们的甜菜和杂草数据集进行类别平衡。为获取训练数据集，我们建立了一个具有不同除草剂水平的实验田，产生仅包含作物或杂草的田间小区，使我们能够使用归一化植被指数（NDVI）作为可区分特征进行自动地面真值生成。我们训练了6个具有不同输入通道数的模型，并微调（fine-tune）以达成约0.8的F1分数和0.78的曲线下面积（AUC）分类指标。对于模型部署，测试了嵌入式GPU系统（Jetson TX2）用于MAV集成。本文使用的数据集已发布以支持社区和未来工作。
引用
@article{arxiv.1709.03329,
title = {weedNet: Dense Semantic Weed Classification Using Multispectral Images and MAV for Smart Farming},
author = {Inkyu Sa and Zetao Chen and Marija Popovic and Raghav Khanna and Frank Liebisch and Juan Nieto and Roland Siegwart},
journal= {arXiv preprint arXiv:1709.03329},
year = {2017}
}