点击蓝字
关注我们
关注并星标
从此不迷路
公众号ID｜计算机视觉研究院
学习群｜扫码在主页获取加入方式
获取论文：关注并回复“水稻”
计算机视觉研究院专栏
Column of Computer Vision Institute
PART/1
摘要
PART/2
相关背景
本研究的假设是，作物表型的特征可以通过分析图像被机器学习捕捉到，而传统上可以通过观察被农业专家识别。然而，对作物生物气候学检测的深度学习研究仍然非常有限。Yalcin（Plant phenology recognition using deep learning: Deep-pheno. In 2017 The sixth international conference on agro-geoinformatics (pp. 1–5). https://doi.org/10.1109/Agro-Geoin formatics.2017.8046996）应用DCNN，使用固定角图像对生长阶段进行分类。Bai等人（Rice heading stage automatic observation by multi-classifier cascade based rice spike detection method. Agricultural and Forest Meteorology, 259, 21360–270. https://doi.org/10.1016/j.agrformet.2018.05.001）使用支持向量机和DCNN来区分水稻穗的图像斑块。检测到的穗状斑块的数量决定了水稻的走向阶段。
以上两项研究集中在固定的角度和位置的图像上，而小农户可以以随机的角度和位置拍摄图像。为了方便处理这些随机图像，有必要开发一种通用的方法。从多个角度拍摄的图像中提取最大的生物气候学信息将是很吸引人的。还需要一种通过降低图像视角不确定性的影响的训练策略来提高深度学习方法的性能。
PART/3
研究地域
PART/4
研究框架
Data collection and processing
Data augmentation
The cropping scheme of three datasets
Deep convolutional neural network approach
PART/5
实验结果
上表是time-series-Gcc方法的ACC/MAE。
(a) Confusion matrix yielded by the Bb set; (b) confusion matrix yielded by the Dc set.
MF-SVM方法的ACC/MAE。
a–d are results yielded by18 features from one channel, 54 features from 3 channels, 108 features from 6 channels, and 270 features from 15 channels, respectively.
上图中的A, B, C, D分别表示0°, 20°, 40°和60°。
不同拍摄角度的照片比较
最终结果：
END
转载请联系本公众号获得授权
计算机视觉研究院学习群等你加入！
ABOUT
计算机视觉研究院
往期推荐
🔗
