该公众号免费宣传：招生/招聘等信息
A Review of Deep Learning in Multiscale Agricultural Sensing
第一作者：Dashuai Wang
中科院-深圳
第二作者：Wujing Cao
中科院-深圳
通讯作者：Xinyu Wu
中科院-深圳
图文摘要
研究背景：在精准农业中，非破坏性和非侵入性的远程与近程感测方法已被广泛用于在可见光和不可见光谱中观察作物。
研究目标：对多尺度农业遥感中的深度学习应用进行全面回顾，特别关注基于卷积神经网络的监督学习、迁移学习和小样本学习在作物感测的应用。
研究方法：通过文献综述，探讨了利用深度学习技术对农业遥感数据的处理与分析方法，涵盖从土地、田间、植被到叶片等不同尺度的应用场景。
主要发现：深度学习在疾病和害虫识别、植物-杂草分类、非生物压力评估、植物生长和营养状态监测、产量预测等方面展现出巨大潜力。多尺度的遥感数据，结合高性能的成像传感器和无人移动平台（如卫星、无人机和地面农业机器人），正在产生大量高分辨率的农田图像，有助于从这些图像中提取有用信息以支持决策制定和精细作物管理。
图形概要
多尺度农业传感中的深度学习。
叶子或冠层农业传感公共数据集的一些示例。
现有田间农业传感数据集示例。
总结：关于数据集的主要问题和考虑事项：
特定性：大多数数据集是为特定任务建立的，缺乏通用性。
数据量：数据集的体积通常较小，只有少部分可以达到数万图像的规模。
背景简单：特别是在实验室环境下收集的数据集，背景通常很简单，这导致在复杂的非结构化农田环境中深度学习的泛化能力不足。
数据集差异：每个数据集在相机配置、采集平台、采集周期、地面采样分辨率、图像类型等方面都有所不同，导致数据集在不同任务之间的适应性不足。
类别不平衡：某些数据集中不同类别的图像不平衡，可能导致偏见的准确性。
时空限制：大多数数据集在时间和空间上有限制，这意味着数据集中的图像只包含短期局部区域的信息。
采集方法单一：垂直向下是最常见的采集方法，缺乏对同一目标的多角度表现。
采集平台单一：手持相机、地面农业机器人和无人机是收集农场图像的最常见平台，但它们的组合使用很少。
推荐指数：⭐⭐⭐⭐⭐
链接
—
https://doi.org/10.3390/rs14030559
期刊介绍
—
REMOTE SENSING
中科院分区：Q2
JCR分区：Q1
—
