秘鲁北部帕拉莫斯和高山云雾林中的药用植物识别:深度学习技术研究及数据增强新方法

《Remote Sensing Applications: Society and Environment》:Medicinal plant discrimination in Paramos and cloud forests of northern Peru: A study of deep learning techniques and a novel approach for data augmentation

【字体: 大 中 小 】 时间:2026年08月13日 来源:Remote Sensing Applications: Society and Environment 3.8

编辑推荐:

  摘要 引言:偏远山区生态系统中的药用植物正面临威胁,为确保其保护与可持续管理,需进行准确识别。然而传统方法依赖专业技能,且在秘鲁的高原和云雾林地区进行实地调查存在诸多物流难题。本研究通过利用无人机获取的RGB图像及深度学习技术,开发并验证了一种区分六种药用植物的方法。

  摘要
引言:偏远山区生态系统中的药用植物正面临威胁,为确保其保护与可持续管理,需进行准确识别。然而传统方法依赖专业技能,且在秘鲁的高原和云雾林地区进行实地调查存在诸多物流难题。本研究通过利用无人机获取的RGB图像及深度学习技术,开发并验证了一种区分六种药用植物的方法。

方法:首先对六种药用植物的个体植株进行识别并标注地理坐标,然后在3至5米高度处获取其航空RGB图像。使用Segment Anything模型提取每张图像中的矩形目标区域,从而构建图像数据库。随后通过两种方法扩充该数据库:一是几何变换,二是名为“笛卡尔子采样”的方法。最后,训练五种卷积神经网络架构用于分类任务,并对其结果进行统计比较。

结果:几何变换的整体准确率更高,MobileNetV2的准确率为97.86%,ResNet-50为97.66%;而从零开始训练的模型准确率较低(AlexNet-Deep:90.14%,PhytoNet:81.11%)。在迁移学习模型中,当几何不变性至关重要时,笛卡尔子采样方法更具优势。形态相似的Myrcianthes属植物之间仍存在识别混淆,F1值介于0.76至0.97之间。

结论:该研究的分类准确率在81%至97%之间,所有模型中几何变换方法均优于笛卡尔类方法。ResNet-50在准确率、计算效率及训练稳定性方面表现最佳,适用于偏远山区生态系统的实际保护工作。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号