多分辨率异常值汇聚用于高粱分类
本文提出了一种基于 RGB 相机和无人机的方法,用于估计高精度的高精度的高精度高精度高精度高精度的高精度高精度的高精度高精度高精度高精度高精度高精度高精度高精度高精度的高精度高精度高精度高精度高精度高精度高精度高精度的高精度高精度高精度高精度高精度高精度高精度高精度的高精度高精度高精度高精度的高精度高精度高精度高精度高精度高精度高精度的高精度高精度的高精度高精度高精度高精度高精度高精度的高精度高精度的高精度高精度高精度的高精度高精度的高精度高精度高精度高精度的高精度高精度的高精度,包括叶形态分析和叶片分割。
Jul, 2018
本文引入了一种简单方法来理解单核苷酸多态性(SNP)或相关 SNP 组,以及它们控制的表型之间的关系。该管道包括训练深度卷积神经网络(CNN)来区分具有参考和各种 SNP 的替代版本的植物图像,然后使用可视化方法来突出显示分类网络的关键。我们展示了深度 CNN 在执行分类任务方面的能力,并展示了这些可视化对 TERRA-REF 门架捕获的生物量高粱的 RGB 图像的效用。我们专注于几个具有已知表型表达的遗传标记,并讨论使用这种方法揭示基因型 x 表型关系的可能性。
Aug, 2021
农业生产在未来几十年面临严峻挑战,包括气候变化和可持续性需求,通过机器人进行无化学除草的领域管理、无人机监测农作物以及培育新型更具适应性的作物品种有助于应对这些挑战。本文提出了自动化精细的器官级几何分析用于精准表型分析的问题。通过使用高分辨率无人机图像获取的新数据集,我们计算出重叠多视角的点云,并为植物、叶片和重要特征点(尖端和基部)提供详细准确的点级标签。此外,我们还提供了德国联邦植物品种办公室专家对真实植物进行的表型特征测量,以便不仅在分割和关键点检测上评估新方法,还可直接评估下游任务。提供的带标签点云可以进行细粒度植物分析,并支持自动表型分析方法的进一步发展,同时也为表面重建、点云补全和点云的语义解释提供了更多研究可能性。
Dec, 2023
本文利用深度学习算法,通过对水稻植株叶尖的检测进行筛选,对 150 个水稻基因型进行鉴定,将这些基因型分为两类:耐旱和易感种。
Apr, 2020
为了解决蚜虫侵袭的问题,该研究开发了一个大规模多尺度数据集,用于蚜虫集群的检测和分割,并进行了四个实时语义分割模型和三个物体检测模型的训练和评估。在准确性和效率之间取得平衡的情况下,Fast-SCNN 提供了最有效的分割结果,实现了 80.46% 的平均精确率,81.21% 的平均召回率和每秒 91.66 帧。在物体检测方面,RT-DETR 表现出了最佳的综合性能,在 NVIDIA V100 GPU 上获得 61.63% 的平均精度、92.6% 的平均召回率和 72.55 的得分。实验证明,相比使用检测模型,蚜虫集群的分割更适合评估蚜虫侵袭。
May, 2024
本文提出了一种利用卫星遥感数据进行作物分类的方法,通过将输入进行作物生长阶段的归一化处理来避免种植时间变化带来的领域漂移问题,并结合卷积神经网络和循环神经网络进行像素的分类,该方法在 2019 年美国中西部极端天气造成了种植延迟的大规模实验中表现出卓越的性能,分类精度在收获前(9 月至 11 月)为 85.4%,在季中(7 月至 9 月)为 82.8%。
Sep, 2020
本文提出应用图像识别技术解决农业领域的感知问题。作者提供了使用无人机采集并进行密集标注的农作物和杂草图像数据集以及用于测试的多个感知任务基准,包括语义分割、植物的全景分割、植物和叶子的检测、层次全景分割。
Jun, 2023
利用卷积神经网络对红白葡萄品种进行分类,通过空间注意力层和 Inception 块进行空间和光谱特征提取,相对于其他卷积神经网络在处理高光谱数据分类时,网络模型更轻量,并且表现出更好的准确性,和以前研究相比,准确率提高到 99%。
Jan, 2024