Clasificación de los niveles de inclinación del maíz utilizando algoritmos de aprendizaje profundo a partir de imágenes RGB y multiespectrales capturadas por UAV
Autores: Yang, Xin; Gao, Shichen; Sun, Qian; Gu, Xiaohe; Chen, Tianen; Zhou, Jingping; Pan, Yuchun
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Clasificación de los niveles de inclinación del maíz utilizando algoritmos de aprendizaje profundo a partir de imágenes RGB y multiespectrales capturadas por UAV
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Alojamiento
Cultivo de maíz
Algoritmos de aprendizaje profundo
Imágenes multiespectrales
Precisión de clasificación
ResNet-50
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 26
Citaciones: Sin citaciones
El alojamiento deprime el rendimiento y la calidad del grano del cultivo de maíz. Los métodos anteriores de aprendizaje automático se utilizan para clasificar los alcances del alojamiento de cultivos a través de la interpretación visual y la extracción manual de características sensibles, lo cual es costoso, subjetivo e ineficiente. El análisis sobre la precisión de las categorías de subdivisión es insuficiente para el alojamiento de cultivos de múltiples grados. En este estudio, se propuso un método de clasificación de los alcances del alojamiento de maíz basado en algoritmos de aprendizaje profundo e imágenes RGB y multiespectrales de vehículos aéreos no tripulados (UAV). Se analizaron las variaciones características de tres alcances de alojamiento en imágenes RGB y multiespectrales. Los algoritmos VGG-16, Inception-V3 y ResNet-50 fueron entrenados y comparados dependiendo de la precisión de clasificación y el coeficiente Kappa. Los resultados mostraron que cuanto más severo es el alojamiento, mayor es el valor de intensidad y reflectancia espectral de la imagen RGB y multiespectral. La variación de la reflectancia en la banda del borde rojo fue más evidente que en la banda visible con diferentes alcances de alojamiento. El rendimiento de clasificación utilizando imágenes multiespectrales fue mejor que el de las imágenes RGB en varios alcances de alojamiento. Las precisión de las pruebas de los tres algoritmos de aprendizaje profundo en el alojamiento basado en imágenes RGB sin alojamiento fueron altas, es decir, superiores al 90%, pero el rendimiento de clasificación entre el alojamiento moderado y severo necesitaba ser mejorado. La precisión de la prueba de ResNet-50 fue del 96.32% con coeficientes Kappa de 0.9551 utilizando imágenes multiespectrales, lo cual fue superior a VGG-16 e Inception-V3, y las precisiones de ResNet-50 en cada categoría de subdivisión de alojamiento alcanzaron el 96%. El algoritmo ResNet-50 de aprendizaje profundo combinado con imágenes multiespectrales puede realizar una clasificación precisa del alojamiento para promover la gestión de campos posterior al estrés y la evaluación de la producción.
Descripción
El alojamiento deprime el rendimiento y la calidad del grano del cultivo de maíz. Los métodos anteriores de aprendizaje automático se utilizan para clasificar los alcances del alojamiento de cultivos a través de la interpretación visual y la extracción manual de características sensibles, lo cual es costoso, subjetivo e ineficiente. El análisis sobre la precisión de las categorías de subdivisión es insuficiente para el alojamiento de cultivos de múltiples grados. En este estudio, se propuso un método de clasificación de los alcances del alojamiento de maíz basado en algoritmos de aprendizaje profundo e imágenes RGB y multiespectrales de vehículos aéreos no tripulados (UAV). Se analizaron las variaciones características de tres alcances de alojamiento en imágenes RGB y multiespectrales. Los algoritmos VGG-16, Inception-V3 y ResNet-50 fueron entrenados y comparados dependiendo de la precisión de clasificación y el coeficiente Kappa. Los resultados mostraron que cuanto más severo es el alojamiento, mayor es el valor de intensidad y reflectancia espectral de la imagen RGB y multiespectral. La variación de la reflectancia en la banda del borde rojo fue más evidente que en la banda visible con diferentes alcances de alojamiento. El rendimiento de clasificación utilizando imágenes multiespectrales fue mejor que el de las imágenes RGB en varios alcances de alojamiento. Las precisión de las pruebas de los tres algoritmos de aprendizaje profundo en el alojamiento basado en imágenes RGB sin alojamiento fueron altas, es decir, superiores al 90%, pero el rendimiento de clasificación entre el alojamiento moderado y severo necesitaba ser mejorado. La precisión de la prueba de ResNet-50 fue del 96.32% con coeficientes Kappa de 0.9551 utilizando imágenes multiespectrales, lo cual fue superior a VGG-16 e Inception-V3, y las precisiones de ResNet-50 en cada categoría de subdivisión de alojamiento alcanzaron el 96%. El algoritmo ResNet-50 de aprendizaje profundo combinado con imágenes multiespectrales puede realizar una clasificación precisa del alojamiento para promover la gestión de campos posterior al estrés y la evaluación de la producción.