结合稀疏标注利用机器学习与深度学习方法实现精准农业中无人机影像的作物分割

《IEEE Access》：Crop Segmentation for Precision Agriculture from UAV Imagery Using ML and DL with Sparse Annotations

　　

摘要：

精准农业依赖于准确的计算机视觉框架，以支持远程作物监测和田间管理。然而，训练准确的语义分割模型受到标注农业图像稀缺性的严重制约。本研究通过比较两种著名方法——经典机器学习方法（随机森林）和深度学习架构（DeepLabv3+），检验了稀疏数据条件下标注分割方法的生产力和准确性。这些模型在代表不同感知模态和空间尺度的多个农业数据集上进行了评估。其中包括无人机图像和地面田间图像。结果表明，DeepLabv3+ 能产生空间上更清晰的分割，并在复杂场景中改善了作物与杂草的区分，而随机森林在较简单的标注中仍然是像素级别上计算速度更快且高效的算法。结果证明，将稀疏的人工标注与模型辅助预测相结合，可以减少标注工作量，同时仍能为农民和精准农业应用提供可靠的田间信息。