深度學習和無人機影像促進精準農業確保糧食安全
2024/12/13 @國際
摘要
納米比亞科技大學研究團隊探討了利用高解析度無人機（UAV）影像和先進的卷積神經網絡（CNN）變體AlexNet進行自動作物分類的有效性。研究結果顯示，AlexNet在作物分類的準確性上明顯優於傳統的CNN模型。
示意圖
隨著全球人口預計到2030年將達到90億，對食物的需求顯著增加。目前，自然災害和氣候變遷是糧食安全的主要威脅，需要及時、準確的作物分類以維持充足的糧食生產。儘管農作物分類和機器學習取得了進步，但挑戰仍然存在，例如對專家知識的依賴和資訊遺失等。
納米比亞科技大學研究團隊使用了AlexNet和傳統CNN模型來評估作物分類的效率。兩種模型均經過超參數訓練，包括30至60個訓練週期、學習率0.0001和批量大小32。AlexNet模型的深度為8層，訓練準確率達到99.25%，驗證準確率為71.81%（在50個訓練週期時），顯示出其優越的性能。
研究發現AlexNet模型在處理複雜數據集和維持高準確率方面表現優於傳統CNN模型，傳統CNN模型在60個訓練週期時的最高訓練準確率為62.83%，驗證準確率為46.98%。雖然兩種模型隨著訓練週期的增加而改善，但AlexNet在準確性上始終優於傳統CNN，特別是在面對複雜數據時。
此項研究發表在2024年5月《Technology in Agronomy》期刊，此項研究貢獻在於將深度學習技術與無人機數據整合的潛力，為精準農業提供了一種有效的作物分類解決方案。未來研究將集中於擴展AlexNet的能力、改良數據預處理，以進一步提高作物分類的準確性，保障全球未來食安。【延伸閱讀】-無人機在戶外農田和溫室之精準農業研究
資料來源
文章摘譯
