Intelligent Automated Crop Monitoring System Based on Unmanned Aerial Vehicles and Deep Learning for Smart Agriculture
Аnatoliy M. Тryhuba · Paweł Kiełbasa · Nazarii Ya. Koval 等 10 人
构建无人机RGB影像深度学习分割与空间矢量化框架，实现作物监测优先级评估。
U-Net-ResNet50等模型在326张影像21,324个512×512块上
U-Net-ResNet50分割最优（IoU 0.9877），生成58,206个候选异质区用于田间验
可延伸研究：将RGB异质区与多光谱/热红外数据融合，验证生理胁迫并构建实时决策模型。
基于无人机RGB影像与深度学习语义分割的端到端作物监测框架，数据规模大、指标可靠，对精准农业决策支持有实质参考价值。
精准农业技术的快速发展需要智能系统能够自动分析无人机（UAV）影像，并将图像处理结果转化为结构化信息，以支持作物监测决策。本研究开发并通过计算验证了一个集成框架，该框架结合了基于深度学习的语义分割、基于RGB的空间解译、候选RGB异质性区域的图像空间矢量化以及监测优先级评估。实验验证使用开放获取数据集“High-Resolution RGB Images and Corresponding Masks of Agricultural Fields”进行，该数据集包含混合农业植被场景。经数据完整性验证后，保留了326对有效RGB图像-参考掩膜对，并划分为21,324个不重叠的512 × 512像素图像块。使用完整数据集，在三次重复的以源图像分组的留出实验中评估了U-Net-ResNet50、DeepLabV3-ResNet50和FCN-ResNet50。U-Net-ResNet50取得了最高的留出性能，平均精确率 = 0.9946 ± 0.0008，召回率 = 0.9931 ± 0.0021，植被IoU = 0.9877 ± 0.0020，Dice = 0.9938 ± 0.0010，因此被选用于后续空间分析。其分割输出与VARI、ExG和GLI指数相结合，用于识别候选RGB异质性区域，并将其转换为源图像像素坐标下的图像空间矢量对象。修订后的全数据分析生成了58,206个候选RGB异质性区域。这些区域代表可见的冠层异质性，而非经生理学确认的作物胁迫，旨在支持有针对性的田间验证和监测优先级排序。结果表明，端到端无人机RGB处理工作流程具有可行性，该流程可将像素级分割输出转化为结构化空间信息，用于精准农业监测与决策支持。