Modelo de aprendizaje semisupervisado de segmentación de inclinación de trigo colaborativo basado en RSE-BiSeNet utilizando imágenes de UAV
Autores: Zhi, Hongbo; Yang, Baohua; Zhu, Yue
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Modelo de aprendizaje semisupervisado de segmentación de inclinación de trigo colaborativo basado en RSE-BiSeNet utilizando imágenes de UAV
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Alojamiento
Trigo
UAVs
Segmentación
RSE-BiSeNet
Aprendizaje semi-supervisado
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
El alojamiento es un desastre natural común durante el crecimiento del trigo. La identificación precisa del alojamiento del trigo es de gran importancia para las alertas tempranas y la evaluación post-desastre. Con el uso generalizado de vehículos aéreos no tripulados (UAV), el monitoreo del alojamiento del trigo a gran escala se ha vuelto muy conveniente. En particular, la segmentación semántica se utiliza ampliamente en el reconocimiento de imágenes de escenas de campo de alta resolución de UAV, proporcionando un nuevo camino técnico para la identificación precisa del alojamiento del trigo. Sin embargo, aún existen problemas, como datos insuficientes de alojamiento de trigo, información borrosa en los bordes de la imagen y la baja precisión de la extracción de características de objetivos pequeños, que limitan el reconocimiento del alojamiento del trigo. Con este fin, en este estudio se propone el modelo de aprendizaje semisupervisado de segmentación colaborativa de alojamiento de trigo basado en RSE-BiseNet. En primer lugar, se utilizó ResNet-18 en el camino de contexto de BiSeNet para reemplazar la red de base original e introducir atención de squeeze-and-excitation (SE), con el objetivo de mejorar la capacidad de expresión de las características de alojamiento del trigo. En segundo lugar, se compararon los efectos de segmentación del modelo colaborativo de aprendizaje semisupervisado y completamente supervisado basado en RSE-BiSeNet utilizando el conjunto de datos de alojamiento de trigo autoconstruido. Finalmente, se compararon los resultados de prueba del modelo propuesto RSE-BiSeNet con modelos de red clásicos como U-Net, BiseNet y DeepLabv3+. Los resultados experimentales mostraron que el modelo de segmentación de alojamiento de trigo basado en el aprendizaje semisupervisado colaborativo de RSE-BiSeNet tiene un buen rendimiento. El método propuesto en este estudio también puede proporcionar referencias para UAV de teledetección, otras evaluaciones de desastres en cultivos de campo y asistencia en la producción.
Descripción
El alojamiento es un desastre natural común durante el crecimiento del trigo. La identificación precisa del alojamiento del trigo es de gran importancia para las alertas tempranas y la evaluación post-desastre. Con el uso generalizado de vehículos aéreos no tripulados (UAV), el monitoreo del alojamiento del trigo a gran escala se ha vuelto muy conveniente. En particular, la segmentación semántica se utiliza ampliamente en el reconocimiento de imágenes de escenas de campo de alta resolución de UAV, proporcionando un nuevo camino técnico para la identificación precisa del alojamiento del trigo. Sin embargo, aún existen problemas, como datos insuficientes de alojamiento de trigo, información borrosa en los bordes de la imagen y la baja precisión de la extracción de características de objetivos pequeños, que limitan el reconocimiento del alojamiento del trigo. Con este fin, en este estudio se propone el modelo de aprendizaje semisupervisado de segmentación colaborativa de alojamiento de trigo basado en RSE-BiseNet. En primer lugar, se utilizó ResNet-18 en el camino de contexto de BiSeNet para reemplazar la red de base original e introducir atención de squeeze-and-excitation (SE), con el objetivo de mejorar la capacidad de expresión de las características de alojamiento del trigo. En segundo lugar, se compararon los efectos de segmentación del modelo colaborativo de aprendizaje semisupervisado y completamente supervisado basado en RSE-BiSeNet utilizando el conjunto de datos de alojamiento de trigo autoconstruido. Finalmente, se compararon los resultados de prueba del modelo propuesto RSE-BiSeNet con modelos de red clásicos como U-Net, BiseNet y DeepLabv3+. Los resultados experimentales mostraron que el modelo de segmentación de alojamiento de trigo basado en el aprendizaje semisupervisado colaborativo de RSE-BiSeNet tiene un buen rendimiento. El método propuesto en este estudio también puede proporcionar referencias para UAV de teledetección, otras evaluaciones de desastres en cultivos de campo y asistencia en la producción.