Resumen

El tabaco en las montañas de meseta tiene las características de siembra 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 las áreas de siembra de tabaco. Por lo tanto, en este artículo se confía en la ventaja del autoaprendizaje de las características de aprendizaje profundo. Se propone un método preciso de extracción de áreas de siembra 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. Para reducir el tiempo de entrenamiento del modelo, se utilizan las redes ligeras de la serie MobileNet para

• 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