Szacowanie biomasy w oparciu o wizję komputerową dla roślin inwazyjnych

Nasz mistrz wykorzystuje mono detekcję UAV i rozum komputerowy, aby skutecznie oszacować biomasę w zakładach odpadowych, pokonując nieefektywność i subiektywność tradycyjnych ręcznych pomiarów i gromadzenia danych w złożonych środowiskach. Niedawny postęp w teledetekcji UAV do szacowania biomasy roślin obejmuje obrazowanie w wysokiej rozdzielczości i integrację danych wielomodelowych, a osiągnięcia te usprawniają badania naukowe, monitorowanie środowiska i zarządzanie rolnictwem, oferując bardziej precyzyjne wsparcie danych. Postęp w teledetekcji UAV do szacowania biomasy roślin obciąża czujniki o wysokiej rozdzielczości, obrazowanie wielospektralne/hiperspektralne, GBS/INS, specjalistyczne oprogramowanie do przetwarzania danych, sztuczną inteligencję i głębokie uczenie, ulepszanie baterii, ulepszone przechowywanie danych i przetwarzanie w chmurze.

W odniesieniu do tradycyjnych rolników marki znajdują się metody automatyzacji, proponowana przez nas mapa nie wymaga szybkiej obsługi lustra i cięcia danych, a w przypadku innych specjalnych modelowania hiperspektralnej metody wymiarowej nie potrzebujemy specjalnych wymagań. Nasza metoda może być rolnicza i dokładna polega na tym, że są to podstawowe rośliny bez wymogu doświadczenia, co jest naszą zaletą. Nasze laboratorium będzie nadal badać czujniki zdalne UAV, farmacja roślinna jest niesamowita.

W przyszłości skupimy się na obsłudze oprogramowania układowego, głęboko działających organizmach, stosowaniu w wypełnianiu danych z wieloma piłami, prawie, kontynuujemy głębokie wyniki dotyczące preferencji roślin i innowacji terminologicznych w zakresie czujników. Na początek należy zastosować metodę losowego pobierania próbek z wystarczającą liczbą próbek biomasy, aby określić miejsca pobierania próbek gleby na badanym obszarze. Umieścić ramkę próbki poziomo nad roślinnością, całkowicie obejmując rośliny z zachowaniem minimalnej odległości dwóch metrów między każdą rośliną.

Użyj drona i kamery, aby zbudować bezzałogowy statek powietrzny lub system teledetekcji UAV. Aby wykreślić korzeń w określonym obszarze badania za pomocą UAV, najpierw ustal współczynnik nakładania się kierunku wewnątrz wynoszący 70%, utrzymuj kamerę prostopadle do ziemi i na wysokości 30 metrów, aby robić zdjęcia w jednolitych odstępach czasu wynoszących dwie sekundy. Uruchom plik skryptu, aby zapisać zdjęcia lotnicze do późniejszego przetwarzania za pomocą oprogramowania Python do szacowania biomasy.

Aby utworzyć zestaw danych przy użyciu programowania w języku Python, przejdź do segmentacji nieprzetworzonych danych obrazu na mniejsze obrazy o rozmiarze takim samym jak przykładowe obrazy. Użyj metody okna przesuwnego do segmentacji, ustawiając kroki poziome i pionowe na 280 pikseli. Z podzielonych na segmenty małych obrazów wybierz losowo 880 obrazów roślin inwazyjnych i 1500 obrazów tła, aby utworzyć zestaw danych, a następnie podziel ten zestaw danych na zestawy treningowe, walidacyjne i testowe w stosunku sześć do dwóch do dwóch.

Na początek należy ręcznie zebrać nadziemną biomasę rumianku na każdej powierzchni próbki po zakończeniu zbierania danych za pomocą drona. Podczas zbierania pokrój rumianek wzdłuż wewnętrznej krawędzi poletka z próbką, a następnie odetnij kłącze rumianku od dołu, usuń wszelkie zabrudzenia, kamienie lub inne rośliny, które są zmieszane, na koniec zapakuj i oznacz próbki. Następnie przynieś pobrane próbki roślin inwazyjnych do laboratorium.

Wysuszyć wszystkie próbki na powietrzu, aby odparować większość wilgoci. Suszyć próbki w piecu w temperaturze 55 stopni Celsjusza przez 72 godziny, aby usunąć resztki wilgoci. Umieść worek rumianku na wadze elektronicznej i zapisz ustabilizowane odczyty w gramach.

Po zakończeniu ponownie skalibruj i kontynuuj ważenie. Waż rumianek co godzinę, aż masa przestanie się zmieniać. Odejmij masę worka od odczytu, aby uzyskać zmierzoną masę tej próbki.

Na koniec oblicz biomasę nadziemną rośliny inwazyjnej, korzystając z wyświetlonego wzoru. Aby przygotować oprogramowanie, pobierz i zainstaluj Anaconda z jej oficjalnej strony internetowej. Uruchom program PyCharm IDE, a następnie otwórz wiersz poleceń wiersza poleceń Anaconda i wpisz conda create n pytorch python=3, 8, aby utworzyć nowe środowisko conda.

Po utworzeniu środowiska wprowadź conda info envs, aby potwierdzić, że środowisko PyTorch istnieje. Otwórz wiersz polecenia Anaconda i aktywuj środowisko PyTorch, wprowadzając conda activate pytorch, wpisz nvidia smi, aby sprawdzić bieżącą ujednoliconą architekturę urządzenia obliczeniowego lub wersję CUDA. Następnie zainstaluj PyTorch w wersji 1.8.1, uruchamiając polecenie conda install pytorch=1.8.1 torchvison=0.9.1 torchaudio=0.8.1 cudatoolkit=11.0 c pytorch.

Aby uruchomić rozpoznawanie modelu, wstępnie przetwórz obrazy, aby przygotować je do danych wejściowych modelu. Korzystając z wyświetlonego kodu, zmień rozmiar obrazów z 280 na 280 pikseli na 224 na 224 piksele i znormalizuj je, aby upewnić się, że spełniają wymagania dotyczące rozmiaru modelu. Wytrenuj wieloklasowy model rozpoznawania przy użyciu już utworzonego zestawu danych, ustawiając liczbę iteracji na 200 i początkową szybkość uczenia się 0,0001.

Zmniejsz szybkość uczenia się o jedną trzecią co 10 iteracji przy rozmiarze partii 64. Zapisuj optymalne parametry modelu automatycznie po każdej iteracji. Kliknij prawym przyciskiem myszy i naciśnij uruchom skrypt, a następnie zastosuj skrupulatnie wyszkolony model rozpoznawania i systematycznie przechodź przez oryginalny obraz w celu identyfikacji.

Skonfiguruj kroki poziome i pionowe z precyzją 280 pikseli, aby uzyskać wygenerowaną kompleksową mapę rozmieszczenia, podkreślającą obecność inwazyjnej flory w granicach badanego obszaru. Przedstaw wybrane wyniki wizualnie. Wykonuj proste rozszerzanie danych za pomocą funkcji losowego przycinania o zmienionym rozmiarze i losowego odwracania w poziomie, aby rozszerzyć zestaw obrazów i wyodrębnić sześć wskaźników wegetacji.

Aby zapewnić precyzyjne oszacowanie biomasy roślin inwazyjnych, należy utworzyć model regresji najbliższego sąsiada KNN, używając danych wyjściowych i wyodrębnionych wskaźników wegetacji jako danych wejściowych. Mikania micrantha, można było zaobserwować wspinającą się na szczyt rośliny ozdobionej białymi kwiatami, pozostałe rośliny, a także droga i towarzyszące jej elementy, były jednolicie przedstawione w tle. Model rozpoznał czerwoną część jako mikania micrantha, wykazując solidną detekcję w złożonym tle.

Analiza regresji wykazała wysoką wydajność predykcyjną z wartością R kwadrat wynoszącą 0,62 i RMSE wynoszącą 10,56 grama na metr kwadratowy. Model zwiększył dokładność szacowania biomasy rumianku, a mapa rozmieszczenia przestrzennego skutecznie uchwyciła rozkład biomasy rumianku.