使用無人機圖像進行雜草檢測優化算法
2023/10/17 @國際
摘要
由阿拉伯與埃及大學研究團隊提出基於深度學習之框架稱為「DenseHHO」，設計了一種新穎的卷積神經網路(CNN)模型架構設計，透過選擇最合適的參數，使用 Harris Hawk 最佳演算法Harris Hawk優化(HHO)對噴霧無人機捕獲的雜草影像進行分類，研究結果所提出的方法能夠檢測非結構化現場環境中的雜草，準確率達到97%以上，是最佳化雜草檢測策略中準確度最高的。
示意圖
雜草與農作物爭奪有限的資源，由於除草劑的使用變得過度依賴雜草控制，抗除草劑雜草已經進化，並對環境、食品安全和人類健康構成越來越大的威脅，農業機械化研究的主要重點是提高作物產量，同時減少雜草侵擾，以無人機影像處理來調查田野中的雜草和其他不需要的植物，無人機具可大面積覆蓋速度和效率，且不會損壞土壤，利用人工智慧和機器學習，可以提高雜草檢測系統的準確性和效率，使其能夠更準確、更可靠地識別雜草種類。
研究重點使用兩種不同的基於CNN的預測訓練模型檢驗了HHO演算法提高雜草分類準確性的效果，最佳化演算法可用於調整預訓練模型中的超參數，以提高其在特定任務上的效能。超參數是在訓練開始之前設定的參數，無法從資料中學習。超參數的範例包括學習率、網路層數以及每層的大小。
研究結果具有最佳超參數集深度學習模型能夠對雜草收集的數據進行準確分類，精準度相當高，表明該模型有可能在廣泛的現實應用中發揮作用，測試不平衡複雜資料集上的泛化能力，實證結果提供宏觀準確度和加權準確度的訓練準確度評估。
研究成果已發表在MDPI應用科學期刊《智慧農業永續農業新發展》第13期，研究團隊所提出的方法優於現有的最佳化策略，檢測準確率達90%以上，所獲得的偵測精準度超過所有其他雜草偵測方法，未來的研究可能會在不同種植作物密度和不同農場條件下評估所提出的方法。【延伸閱讀】- 應用深度學習模型識別不同萵苣品種的氮營養含量
資料來源
關鍵字
文章摘譯
