提出一种基于机器视觉的大麦草自动测量模型,该模型通过智能手机采集图像,结合机器视觉算法,实现对大麦草株高、生长状态和健康度的实时、无损检测与评估。研究采用YOLO(you only look once)系列深度学习模型进行植株目标检测,结合随机...提出一种基于机器视觉的大麦草自动测量模型,该模型通过智能手机采集图像,结合机器视觉算法,实现对大麦草株高、生长状态和健康度的实时、无损检测与评估。研究采用YOLO(you only look once)系列深度学习模型进行植株目标检测,结合随机森林回归算法建立作物生长参数预测模型,并提取植物形态学特征和色彩特征以评估生长阶段与健康状况,同时讨论了智能手机在植物表型监测中的应用优势与局限性。实验结果表明,基于YOLOv11与随机森林算法的组合模型,在植物工厂环境下对大麦草株高的预测性能中,决定系数R^(2)达0.927,平均绝对误差为0.707 cm,显著优于其他方法。该模型为大麦育种、表型组学研究和精准农业管理提供了灵活、高效、准确的植物生长监测工具,对推动农业生产智能化和大麦作物改良具有重要理论与应用价值。展开更多
森林特征参数是评估森林生态系统生长状况的关键指标,为高效、精确地估测森林特征参数,本研究探索结合无人机技术和DNN(Deep neural network)模型的森林特征参数的估测方法,并通过SHAP(Shapley additive explanations)方法提高模型预测...森林特征参数是评估森林生态系统生长状况的关键指标,为高效、精确地估测森林特征参数,本研究探索结合无人机技术和DNN(Deep neural network)模型的森林特征参数的估测方法,并通过SHAP(Shapley additive explanations)方法提高模型预测的可解释性。使用无人机高分辨率影像作为数据源,利用DNN对平均胸径(Average diameter at breast height,AD)、林分胸高断面积(Area of forest stand at breast height,BA)、Lorey's树高(Lorey's tree heights,HL)、样地地上生物量(Above-ground biomass of sample plots,AGB)等森林特征参数进行估测。设计了多层次的DNN模型处理和分析影像数据,预测森林特征参数。同时,采用SHAP方法对DNN模型的预测结果进行可解释性分析,以理解每个特征在模型预测中的作用。深度学习DNN模型可以利用DAP(Digital aerial photograph)数据中获取的二维光谱特征和三维点云特征进行森林特征参数的估测模型构建。BA和AGB参数的估测模型性能从大到小为DOM+DAP点云、DOM(Digital orthophoto mosaic)、DAP点云,BA和AGB最优模型的R2平均值分别为0.7438、0.7762,而AD和HL的参数估测模型性能从大到小排序为DOM+DAP点云、DAP点云、DOM,AD和HL最优模型的R2平均值分别为0.6133、0.7276。SHAP值反映了每个特征变量对预测结果的贡献,树高变异系数在各模型中均占据了较为重要的位置,点云高度变量对特征参数具有更高的解释能力。DNN模型具有较高的估测精度,而SHAP方法提升了模型预测结果的解释性,同时强调了点云变量在整体预测模型中的重要性。这表明现代遥感技术与先进的机器学习方法相结合,可为利用无人机数字航空摄影技术进行森林资源调查监测提供必要的技术支持。展开更多
文摘提出一种基于机器视觉的大麦草自动测量模型,该模型通过智能手机采集图像,结合机器视觉算法,实现对大麦草株高、生长状态和健康度的实时、无损检测与评估。研究采用YOLO(you only look once)系列深度学习模型进行植株目标检测,结合随机森林回归算法建立作物生长参数预测模型,并提取植物形态学特征和色彩特征以评估生长阶段与健康状况,同时讨论了智能手机在植物表型监测中的应用优势与局限性。实验结果表明,基于YOLOv11与随机森林算法的组合模型,在植物工厂环境下对大麦草株高的预测性能中,决定系数R^(2)达0.927,平均绝对误差为0.707 cm,显著优于其他方法。该模型为大麦育种、表型组学研究和精准农业管理提供了灵活、高效、准确的植物生长监测工具,对推动农业生产智能化和大麦作物改良具有重要理论与应用价值。
文摘森林特征参数是评估森林生态系统生长状况的关键指标,为高效、精确地估测森林特征参数,本研究探索结合无人机技术和DNN(Deep neural network)模型的森林特征参数的估测方法,并通过SHAP(Shapley additive explanations)方法提高模型预测的可解释性。使用无人机高分辨率影像作为数据源,利用DNN对平均胸径(Average diameter at breast height,AD)、林分胸高断面积(Area of forest stand at breast height,BA)、Lorey's树高(Lorey's tree heights,HL)、样地地上生物量(Above-ground biomass of sample plots,AGB)等森林特征参数进行估测。设计了多层次的DNN模型处理和分析影像数据,预测森林特征参数。同时,采用SHAP方法对DNN模型的预测结果进行可解释性分析,以理解每个特征在模型预测中的作用。深度学习DNN模型可以利用DAP(Digital aerial photograph)数据中获取的二维光谱特征和三维点云特征进行森林特征参数的估测模型构建。BA和AGB参数的估测模型性能从大到小为DOM+DAP点云、DOM(Digital orthophoto mosaic)、DAP点云,BA和AGB最优模型的R2平均值分别为0.7438、0.7762,而AD和HL的参数估测模型性能从大到小排序为DOM+DAP点云、DAP点云、DOM,AD和HL最优模型的R2平均值分别为0.6133、0.7276。SHAP值反映了每个特征变量对预测结果的贡献,树高变异系数在各模型中均占据了较为重要的位置,点云高度变量对特征参数具有更高的解释能力。DNN模型具有较高的估测精度,而SHAP方法提升了模型预测结果的解释性,同时强调了点云变量在整体预测模型中的重要性。这表明现代遥感技术与先进的机器学习方法相结合,可为利用无人机数字航空摄影技术进行森林资源调查监测提供必要的技术支持。
