通过基于图像的方法进行非侵入性作物分析在植物研究中具有很大的应用前景，但从图像中准确和强大的性状推断仍然是一个关键的挑战。本研究探讨了人工智能模型集成和杂交方法在从无人机(UAV)生成的RGB图像推断高粱作物性状方面的潜力。本研究中，在两个独立的季节(2021年和2022年)种植了21个高粱品种，肥料和水的投入是梯度的。收集了470个N测量值，并使用无人机安装的相机捕获了相应的RGB图像。计算了5个RGB植被指数，采用了几种ML模型，如MLR、MLP和各种CNN架构(2021年)，并在独立测试集(2022年)上比较了它们对N含量的预测精度。本文评估了利用深度和手工功能的策略，即混合和集成人工智能架构。本文的方法考虑了两个赛季(2021年和2022年)收集的两个不同的数据集，其中只有第一个年的训练集。这允许在独立季节(2022年)测试模型的稳健性，特别是它们对概念漂移的敏感性，这是实际农业应用的基础。研究结果强调了混合和集成人工智能算法在这些实验中的优越性。MLP+CNN-VGG16组合在独立数据集上的准确率最高(R2=0.733, MAE=0.264 N%)。该研究强调，精心制作的基于人工智能的模型应用于RGB图像，可以实现鲁棒的性状预测，其准确性与当前文献中使用更复杂(多光谱和高光谱)传感器的类似表型任务相当。
图1 田间试验概况、rabi 2021和rabi 2022的正交点位置(包括顶部处理)以及高粱样地的RGB图像。
图2 将CNN (VGG16)架构与计算VIs结合到另一层的模型可视化。这一组合后来被称为VGG16 + VIs。
图3 使用性能指标MAE和R2对独立测试集1 (rabi 2021)和独立测试集2 (rabi 2022)上四种不同模型的预测潜力进行比较分析。基于MAE值对模型进行排序。
图4 最佳氮素预测模型(MLP + CNN(VGG16))的预测性能指标使用散点图显示了高粱中观察到的(地基真值)和预测的%N。左边为测试集1 (rabi 2021-2022)，右边为测试集2)。
Hammouch, H.; Patil, S.; Choudhary, S.; El-Yacoubi, M.A.; Masner, J.; Kholová, J.; Anbazhagan, K.; Vanˇek, J.; Qin, H.; Stoˇces, M.; et al. Hybrid-AI and Model Ensembling to Exploit UAV-Based RGB Imagery: An Evaluation of Sorghum Crop’s Nitrogen Content. Agriculture 2024, 14, 1682.
编辑
王春颖
扩展阅读
