《Comparison of Object Detection and Patch-Based Classification Deep Learning Models on Mid- to Late-Season Weed Detection in UAV Imagery》

期刊: Remote Sensing
部门: Department of Biological Systems Engineering, University of Nebraska-Lincoln
作者: Arun Narenthiran Veeranampalayam Sivakumar

背景

中后期草害，可以为来年生成很多杂草的种子，由于与作物在水分、光照、空间等方面造成竞争，是一种严重威胁农业生产的胁迫。

创新点

很多人都是做前期草害的识别检测，很少涉及影响更严重的后期草害。对比两种目标检测算法，最后与小块分类算法做对比。

数据获取

设备: DJI Matrice 600
相机: Zenmuse X5R (RGB)
照片: 4608 × 3456 pixels (0.5cm/px)
飞行高度: 20m
拍摄地点: Site 1 on 2 July 2018 and site 2 on 12 July 2018

数据处理

去掉重叠的无人机影像
将原始图片切分为12小块，尺寸为1152 × 1152 px
打框标注450张照片
训练集：测试集=9:1

分类网络

使用健康和杂草两类图像，对Mobilenet v2进行迁移学习，前10次迭代调整最后的分类层权重，后10次迭代调整整个网络的权重。总共迭代20次。

检测网络

Faster RCNN效果好，SSD速度快，所以对比这两个算法。
Inception v2, Mobilenet v2, Resnet 101, VGG可以用作特征选择器。其中发现Inception v2和 Mobilenet v2速度快，其中Inception v2效果更好，所以选他作为特征选择器。

识别效果

猜你喜欢：👇🏻
⭐【笔记】Automatic recognition of soybean leaf diseases using UAV images and deep convolutional neural networks
⭐【笔记】基于边缘检测和BP神经网络的大豆杂草识别研究
⭐【笔记】基于轻量和积网络及无人机遥感图像的大豆田杂草识别

总结

以上是生活随笔为你收集整理的【笔记】Comparison of Object Detection and Patch-Based Classification Deep Learning Models on Mid- to La的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。