Advances in Science and Technology – Research Journal·10月4日 · 周日论文智慧农业 / 农业物联网阅读 1
Road surface material classification from unmanned aerial vehicle red, green, blue and multispectral imagery using spectral features and ensemble machine learning model
Marcin Bilski
论文解读
64接近精选线
速览
用无人机RGB与多光谱影像结合集成机器学习，分类路面材料并验证多光谱与纹理特征的增益。
方法
无人机RGB/多光谱影像、NDVI/NDRE、纹理与Sobel边缘，随机森林/X
发现
多光谱数据显著优于纯RGB，LightGBM用MS9达81.31%，加入纹理特征后提升至93.30%
机会点
可迁移到农田道路、机耕道与田间通行性识别，结合时序影像与轻量模型服务农机导航。
影响力8
信息增量20
专业深度16
信源权威12
时效性8
该研究利用无人机多光谱影像与集成机器学习提升路面材料分类精度，方法新颖、数据详实，对农业遥感与智慧农业有参考价值，但属细分领域论文，公共影响有限。
原文摘要
本研究旨在评估将无人机（UAV）获取的多光谱数据作为标准RGB影像的扩展，对基于机器学习算法的路面材料分类精度的影响。研究在六段路面类型和技术状况不同的道路上进行，考察了三种集成学习算法——随机森林（Random Forest）、XGBoost和LightGBM的性能。研究考虑了三种输入数据配置：RGB影像、包含RGB通道和四个多光谱波段的七波段数据集（MS7），以及额外加入NDVI和NDRE植被指数的扩展数据集（MS9）。对于表现最佳的模型，还评估了在5×5像素移动窗口内计算的纹理特征以及利用Sobel算子提取的边缘信息的影响。结果表明，与仅使用RGB影像相比，加入多光谱数据显著提升了分类性能。使用MS9数据集的LightGBM模型取得了最高精度，总体精度（OA）达到81.31%。引入纹理特征后，分类精度进一步提升至93.30% OA。研究结果证实了无人机获取的多光谱数据对路面材料分类效果具有积极贡献。