现代农业中的基于UAV的图像检索使得能够收集大量的空间引用的裁剪图像数据。然而,在大规模的实验中,UAV图像患有复杂的冠层架构中的多份作物。特别是对于观察时间效应,这使得对几种图像的识别使得各种植物的识别和巨大的提取。在这项工作中,我们向基于可理解的计算机视觉方法缩写为“编目”的无人机缩写为“编目”的自动化时间和空间识别和个性化的实践工作流程。我们评估两个现实世界数据集的工作流程。记录一个数据集以观察Cercospora叶斑 - 在整个生长周期中的糖甜菜中的真菌疾病。另一个涉及花椰菜植物的收获预测。植物目录用于提取多个时间点看到的单植物图像。这会收集大规模的时空图像数据集,又可以应用于培训包括各种数据层的进一步机器学习模型。该方法显着改善了农业中无人机数据的分析和解释。通过验证一些参考数据,我们的方法显示了一种类似于更复杂的基于深度学习的识别技术的准确性。我们的工作流能够自动化工厂编目和训练图像提取,特别是对于大型数据集。
translated by 谷歌翻译