0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

深度學(xué)習(xí)和遷移學(xué)習(xí)應(yīng)用,識(shí)別麥田倒伏面積

juying ? 來源:juying ? 作者:juying ? 2023-12-12 16:14 ? 次閱讀

在小麥揚(yáng)花灌漿期,土壤中的養(yǎng)分供應(yīng)非常重要。因此,及時(shí)施肥是保證小麥生長(zhǎng)的關(guān)鍵。一般來說,施肥時(shí)間應(yīng)該在小麥揚(yáng)花開始期時(shí)進(jìn)行。一般選擇氮、磷、鉀等多種元素的肥料進(jìn)行施用,以保證小麥的健康生長(zhǎng)。

小麥揚(yáng)花灌漿期對(duì)水分的需求量非常大,但是過量的灌溉也容易導(dǎo)致小麥發(fā)生根腐病或者其他水害。因此,在小麥揚(yáng)花灌漿期,適當(dāng)控制水分非常重要。一般來說,在小麥揚(yáng)花灌漿期,應(yīng)該根據(jù)實(shí)際情況,靈活掌握灌溉的時(shí)間和量,以保證小麥的生長(zhǎng)和發(fā)育。

利用低空無人機(jī)技術(shù),并結(jié)合深度學(xué)習(xí)語義分割模型精準(zhǔn)提取作物倒伏區(qū)域是一種高效的倒伏災(zāi)害監(jiān)測(cè)手段。在實(shí)際應(yīng)用中,受田間各種客觀條件(不同無人機(jī)飛行高度低于120m、多個(gè)研究區(qū)、關(guān)鍵生育期不同天氣狀況等)限制,無人機(jī)獲取的圖像數(shù)量仍偏少,難以滿足高精度深度學(xué)習(xí)模型訓(xùn)練的要求。

安徽大學(xué)農(nóng)業(yè)生態(tài)大數(shù)據(jù)分析與應(yīng)用技術(shù)國(guó)家地方聯(lián)合工程研究中心與西北農(nóng)林科技大學(xué)機(jī)械電子工程學(xué)院、宿州學(xué)院信息工程學(xué)院,組成了胡根生教授團(tuán)隊(duì)展開了研究,旨在探索一種在作物生育期和研究區(qū)有限的情況下精準(zhǔn)提取倒伏面積的方法。

以健康/倒伏小麥為研究對(duì)象,在其灌漿期和成熟期開展麥田圖像采集工作。設(shè)置2個(gè)飛行高度(40和80m),采集并拼接獲取2019、2020、2021和2023年份3個(gè)研究區(qū)的數(shù)字正射影像圖;在Swin-Transformer深度學(xué)習(xí)語義分割框架基礎(chǔ)上,分別使用40m訓(xùn)練集單獨(dú)訓(xùn)練、40和80m訓(xùn)練集混合訓(xùn)練、40m訓(xùn)練集預(yù)訓(xùn)練80m訓(xùn)練集遷移學(xué)習(xí)等3種訓(xùn)練方法,獲得對(duì)照模型、混合訓(xùn)練模型和遷移學(xué)習(xí)模型;采用對(duì)比實(shí)驗(yàn)比較上述3種模型分割80m高度預(yù)測(cè)集圖像的精度并評(píng)估模型性能。

遷移學(xué)習(xí)模型倒伏面積提取精度最高,交并比、正確率、精確率、召回率和F1-Score共5個(gè)指標(biāo)平均數(shù)分別為85.37%、94.98%、91.30%、92.52%和91.84%,高于對(duì)照組模型1.08%~3.19%,平均加權(quán)幀率達(dá)到738.35fps/m2,高于40m圖像183.12fps/m2。

利用低飛行高度(40m)預(yù)訓(xùn)練語義分割模型,在較高飛行高度(80m)空?qǐng)D像做遷移學(xué)習(xí)的方法提取倒伏小麥面積是可行的,這為解決空域飛行高度限制下,較少80m及以上圖像數(shù)據(jù)集無法滿足語義分割模型訓(xùn)練的要求的問題,提供了一種有效的方法。

審核編輯 黃宇

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 無人機(jī)
    +關(guān)注

    關(guān)注

    226

    文章

    10301

    瀏覽量

    179133
  • 深度學(xué)習(xí)
    +關(guān)注

    關(guān)注

    73

    文章

    5463

    瀏覽量

    120890
  • 遷移學(xué)習(xí)
    +關(guān)注

    關(guān)注

    0

    文章

    74

    瀏覽量

    5554
收藏 人收藏

    評(píng)論

    相關(guān)推薦

    GPU深度學(xué)習(xí)應(yīng)用案例

    GPU在深度學(xué)習(xí)中的應(yīng)用廣泛且重要,以下是一些GPU深度學(xué)習(xí)應(yīng)用案例: 一、圖像識(shí)別 圖像識(shí)別
    的頭像 發(fā)表于 10-27 11:13 ?285次閱讀

    AI大模型與深度學(xué)習(xí)的關(guān)系

    人類的學(xué)習(xí)過程,實(shí)現(xiàn)對(duì)復(fù)雜數(shù)據(jù)的學(xué)習(xí)識(shí)別。AI大模型則是指模型的參數(shù)數(shù)量巨大,需要龐大的計(jì)算資源來進(jìn)行訓(xùn)練和推理。深度學(xué)習(xí)算法為AI大模型
    的頭像 發(fā)表于 10-23 15:25 ?304次閱讀

    基于Python的深度學(xué)習(xí)人臉識(shí)別方法

    基于Python的深度學(xué)習(xí)人臉識(shí)別方法是一個(gè)涉及多個(gè)技術(shù)領(lǐng)域的復(fù)雜話題,包括計(jì)算機(jī)視覺、深度學(xué)習(xí)、以及圖像處理等。在這里,我將概述一個(gè)基本的
    的頭像 發(fā)表于 07-14 11:52 ?1127次閱讀

    預(yù)訓(xùn)練和遷移學(xué)習(xí)的區(qū)別和聯(lián)系

    預(yù)訓(xùn)練和遷移學(xué)習(xí)深度學(xué)習(xí)和機(jī)器學(xué)習(xí)領(lǐng)域中的兩個(gè)重要概念,它們?cè)谔岣吣P托阅?、減少訓(xùn)練時(shí)間和降低對(duì)數(shù)據(jù)量的需求方面發(fā)揮著關(guān)鍵作用。本文將從定
    的頭像 發(fā)表于 07-11 10:12 ?713次閱讀

    深度學(xué)習(xí)中的時(shí)間序列分類方法

    時(shí)間序列分類(Time Series Classification, TSC)是機(jī)器學(xué)習(xí)深度學(xué)習(xí)領(lǐng)域的重要任務(wù)之一,廣泛應(yīng)用于人體活動(dòng)識(shí)別、系統(tǒng)監(jiān)測(cè)、金融預(yù)測(cè)、醫(yī)療診斷等多個(gè)領(lǐng)域。隨
    的頭像 發(fā)表于 07-09 15:54 ?653次閱讀

    深度學(xué)習(xí)中的無監(jiān)督學(xué)習(xí)方法綜述

    深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)重要分支,近年來在多個(gè)領(lǐng)域取得了顯著的成果,特別是在圖像識(shí)別、語音識(shí)別、自然語言處理等領(lǐng)域。然而,
    的頭像 發(fā)表于 07-09 10:50 ?385次閱讀

    深度學(xué)習(xí)在視覺檢測(cè)中的應(yīng)用

    能力,還使得機(jī)器能夠模仿人類的某些智能行為,如識(shí)別文字、圖像和聲音等。深度學(xué)習(xí)的引入,極大地推動(dòng)了人工智能技術(shù)的發(fā)展,特別是在圖像識(shí)別、自然語言處理、語音
    的頭像 發(fā)表于 07-08 10:27 ?578次閱讀

    遷移學(xué)習(xí)的基本概念和實(shí)現(xiàn)方法

    遷移學(xué)習(xí)(Transfer Learning)是機(jī)器學(xué)習(xí)領(lǐng)域中的一個(gè)重要概念,其核心思想是利用在一個(gè)任務(wù)或領(lǐng)域中學(xué)到的知識(shí)來加速或改進(jìn)另一個(gè)相關(guān)任務(wù)或領(lǐng)域的學(xué)習(xí)過程。這種方法在數(shù)據(jù)稀缺
    的頭像 發(fā)表于 07-04 17:30 ?1194次閱讀

    深度學(xué)習(xí)的基本原理與核心算法

    隨著大數(shù)據(jù)時(shí)代的到來,傳統(tǒng)機(jī)器學(xué)習(xí)方法在處理復(fù)雜模式上的局限性日益凸顯。深度學(xué)習(xí)(Deep Learning)作為一種新興的人工智能技術(shù),以其強(qiáng)大的非線性表達(dá)能力和自學(xué)習(xí)能力,在圖像
    的頭像 發(fā)表于 07-04 11:44 ?1547次閱讀

    深度學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用

    隨著人工智能技術(shù)的飛速發(fā)展,深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)作為其中的重要分支,已經(jīng)在多個(gè)領(lǐng)域取得了顯著的應(yīng)用成果。從圖像識(shí)別、語音
    的頭像 發(fā)表于 07-02 18:19 ?747次閱讀

    深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)的對(duì)比

    在人工智能的浪潮中,機(jī)器學(xué)習(xí)深度學(xué)習(xí)無疑是兩大核心驅(qū)動(dòng)力。它們各自以其獨(dú)特的方式推動(dòng)著技術(shù)的進(jìn)步,為眾多領(lǐng)域帶來了革命性的變化。然而,盡管它們都屬于機(jī)器學(xué)習(xí)的范疇,但
    的頭像 發(fā)表于 07-01 11:40 ?1100次閱讀

    深度解析深度學(xué)習(xí)下的語義SLAM

    隨著深度學(xué)習(xí)技術(shù)的興起,計(jì)算機(jī)視覺的許多傳統(tǒng)領(lǐng)域都取得了突破性進(jìn)展,例如目標(biāo)的檢測(cè)、識(shí)別和分類等領(lǐng)域。近年來,研究人員開始在視覺SLAM算法中引入深度
    發(fā)表于 04-23 17:18 ?1227次閱讀
    <b class='flag-5'>深度</b>解析<b class='flag-5'>深度</b><b class='flag-5'>學(xué)習(xí)</b>下的語義SLAM

    為什么深度學(xué)習(xí)的效果更好?

    ,這些原則和進(jìn)步協(xié)同作用使這些模型異常強(qiáng)大。本文探討了深度學(xué)習(xí)成功背后的核心原因,包括其學(xué)習(xí)層次表示的能力、大型數(shù)據(jù)集的影響、計(jì)算能力的進(jìn)步、算法創(chuàng)新、遷移
    的頭像 發(fā)表于 03-09 08:26 ?579次閱讀
    為什么<b class='flag-5'>深度</b><b class='flag-5'>學(xué)習(xí)</b>的效果更好?

    什么是深度學(xué)習(xí)?機(jī)器學(xué)習(xí)深度學(xué)習(xí)的主要差異

    2016年AlphaGo 擊敗韓國(guó)圍棋冠軍李世石,在媒體報(bào)道中,曾多次提及“深度學(xué)習(xí)”這個(gè)概念。
    的頭像 發(fā)表于 01-15 10:31 ?968次閱讀
    什么是<b class='flag-5'>深度</b><b class='flag-5'>學(xué)習(xí)</b>?機(jī)器<b class='flag-5'>學(xué)習(xí)</b>和<b class='flag-5'>深度</b><b class='flag-5'>學(xué)習(xí)</b>的主要差異

    深度學(xué)習(xí)如何訓(xùn)練出好的模型

    算法工程、數(shù)據(jù)派THU深度學(xué)習(xí)在近年來得到了廣泛的應(yīng)用,從圖像識(shí)別、語音識(shí)別到自然語言處理等領(lǐng)域都有了卓越的表現(xiàn)。但是,要訓(xùn)練出一個(gè)高效準(zhǔn)確的深度
    的頭像 發(fā)表于 12-07 12:38 ?1035次閱讀
    <b class='flag-5'>深度</b><b class='flag-5'>學(xué)習(xí)</b>如何訓(xùn)練出好的模型