摘要
作物病害的蔓延阻碍了粮食作物的生产，造成巨大的收成损失。当前的作物健康监测计划涉及部署观察员和专家，通过视觉观察来检测和识别作物病害。这些监测计划成本高昂且速度太慢，无法及时提供预防这些危害作物的疾病传播的补救建议。因此，需要开发更便宜和更快的方法来识别和监测作物病害。
深度学习的最新进展使自动和准确的图像分类系统发展成为可能。这些进步与广泛使用的多光谱航空影像相结合，为开发作物病害分类工具提供了一种具有成本效益的方法。然而，需要大型数据集来训练深度学习模型，这可能成本高昂且难以获得。幸运的是，在一项任务上训练的模型可以使用迁移学习技术重新用于不同的任务（数据有限）。本研究的目的是开发和实施端到端深度学习框架，用于使用迁移学习和高分辨率、多光谱航空影像对作物病害进行早期检测和持续监测。
在第一项研究中，该技术用于比较五种预训练的深度学习卷积神经网络（VGG16、VGG19、ResNet50、Inception V3 和 Xception）在对苹果、葡萄和西红柿的作物病害进行分类方面的性能。研究结果表明，表现最好的作物病害分类模型是在 VGG16 网络上训练的模型，而在 ResNet50 网络上训练的模型表现最差。
其他研究比较了使用迁移学习和不同的三波段颜色组合来训练单作物和多作物分类模型的性能。这些研究的结果表明，结合红色、近红外和蓝色波段的模型比使用传统的红色、绿色和蓝色可见光谱波段组合训练的模型表现更好。表现最差的模型是那些结合了近红外、绿色和蓝色波段的模型。
该研究建议进行进一步的研究，以确定最佳波段组合，用于训练作物和植物以及影响它们疾病的单标签和多标签分类模型。
图 3.3：作物病害早期发现和持续监测框架
成为VIP会员查看完整内容
【AI+农业病害识别】博士论文《使用多光谱航空影像进行植物病害早期检测、识别和时空监测的深度学习》美国克莱蒙特研究大学
相关内容
智慧农业是现代信息技术与传统农业深度融合形成的数字化农业方式。智慧农业是在信息技术和先进装备条件的基础上，实现生产过程的精准感知、智能控制、智慧管理，追求农业更高资源利用率、更高劳动生产率和更好从业体验感的农业形态。
智慧农业是现代农业的高级形式。智慧农业，以数据、系统、智能装备为特征要素，与传统农业中的土地、动植物、生产工具等生产要素深度融合，实现生产作业精准化、管理决策自主化、产业提升链式化，促进农业进入生产便捷、管理高效、产业协调的现代农业新时代。
智慧农业具有鲜明的数字化、系统化、智能化特征。智慧农业按领域划分，会形成诸如智慧种植业、智慧养殖业、智慧加工业等多个生产类型，按应用场景划分会形成智慧农场、智慧温室、智慧加工厂等多个场所类别，但无论是哪一种形式，都离不开大数据、先进系统、智能装备、数字化基础设施等核心要素。智慧农业就是通过现代信息技术与农业的深度融合，让机器与系统来主动感知信息、定量决策、智能控制、个性化服务，这是一项全新的数字化产业方式。
Arxiv
0+阅读 · 2022年6月15日
Arxiv
0+阅读 · 2022年6月15日
Arxiv
0+阅读 · 2022年6月13日
相关VIP内容
相关资讯
微信扫码咨询专知VIP会员