Resumen

El tabaco en las montañas de meseta tiene las características de plantación fragmentada, crecimiento desigual y cultivos mixtos/intercalados. Es difícil extraer características efectivas utilizando un método de análisis de imágenes orientado a objetos para extraer con precisión áreas de plantación de tabaco. Por ello, en este artículo se confía en la ventaja del autoaprendizaje de las características del aprendizaje profundo. Se propone un método de extracción preciso de áreas de plantación de tabaco basado en un modelo de segmentación semántica profunda a partir de imágenes de teledetección de vehículos aéreos no tripulados (UAV) en montañas de meseta. En primer lugar, se establece un conjunto de datos de segmentación semántica de tabaco utilizando Labelme. Se utilizan cuatro modelos de segmentación semántica profunda: DeeplabV3+, PSPNet, SegNet y U-Net para entrenar los datos de muestra en el conjunto de datos. Entre ellos, para reducir el tiempo de entrenamiento del modelo, se utilizan las redes ligeras de la serie MobileNet para reemplazar las redes originales de los cuatro modelos de red. Finalmente, las imágenes predictivas son segmentadas semánticamente por las redes entrenadas, y se utiliza la Intersección sobre Unión media (mIoU) para evaluar la precisión. Los resultados experimentales muestran que, al utilizar DeeplabV3+, PSPNet, SegNet y U-Net para realizar segmentación semántica en 71 imágenes de predicción de escenas, el mIoU obtenido es de 0.9436, 0.9118, 0.9392 y 0.9473, respectivamente, y la precisión de la segmentación semántica es alta. Se ha verificado la viabilidad del método de segmentación semántica profunda para extraer la superficie de plantación de tabaco a partir de imágenes de teledetección de UAV, y el método de investigación puede proporcionar una referencia para la extracción automática posterior de áreas de plantación de tabaco.

• Materias:Fármacos Electroforesis Microespectral Raman Espectro ultravioleta Teledetección
• Subjects:Pharmaceuticals Electrophoresis Microspectral Raman Ultraviolet spectrum Remote sensing
• Palabras claves:Tabaco; Aprendizaje profundo; Segmentación semántica; UAV; Teledetección; Precisión.
• Keywords:Tobacco; Deep learning; Semantic segmentation; UAV; Remote sensing; Accuracy