《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
部門: Department of Biological Systems Engineering, University of Nebraska-Lincoln
作者: Arun Narenthiran Veeranampalayam Sivakumar

背景

中后期草害，可以為來年生成很多雜草的種子，由于與作物在水分、光照、空間等方面造成競爭，是一種嚴重威脅農業生產的脅迫。

創新點

很多人都是做前期草害的識別檢測，很少涉及影響更嚴重的后期草害。對比兩種目標檢測算法，最后與小塊分類算法做對比。

數據獲取

設備: DJI Matrice 600
相機: Zenmuse X5R (RGB)
照片: 4608 × 3456 pixels (0.5cm/px)
飛行高度: 20m
拍攝地點: Site 1 on 2 July 2018 and site 2 on 12 July 2018

數據處理

去掉重疊的無人機影像
將原始圖片切分為12小塊，尺寸為1152 × 1152 px
打框標注450張照片
訓練集：測試集=9:1

分類網絡

使用健康和雜草兩類圖像，對Mobilenet v2進行遷移學習，前10次迭代調整最后的分類層權重，后10次迭代調整整個網絡的權重。總共迭代20次。

檢測網絡

Faster RCNN效果好，SSD速度快，所以對比這兩個算法。
Inception v2, Mobilenet v2, Resnet 101, VGG可以用作特征選擇器。其中發現Inception v2和 Mobilenet v2速度快，其中Inception v2效果更好，所以選他作為特征選擇器。

識別效果

猜你喜歡：👇🏻
?【筆記】Automatic recognition of soybean leaf diseases using UAV images and deep convolutional neural networks
?【筆記】基于邊緣檢測和BP神經網絡的大豆雜草識別研究
?【筆記】基于輕量和積網絡及無人機遙感圖像的大豆田雜草識別

總結

以上是生活随笔為你收集整理的【笔记】Comparison of Object Detection and Patch-Based Classification Deep Learning Models on Mid- to La的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。