人工智能使在各个领域的问题上实施了更准确,更有效的解决方案。在农业部门,主要需求之一是在始终了解农作物所占据或不占领的土地,以提高生产和盈利能力。传统的计算方法需要手动收集数据,并在现场亲自收集,从而导致较高的人工成本,执行时间和结果不准确。目前的工作提出了一种基于深度学习技术的新方法,该技术与常规编程相辅相成,以确定人口稠密和人口不足的作物区域的面积。我们认为作为案例研究是厄瓜多尔种植和收获甘蔗中最知名的公司之一。该策略结合了生成的对抗神经网络(GAN),该网络在天然和城市景观的航空照片数据集上进行了训练,以改善图像分辨率;卷积神经网络(CNN)在甘蔗地块的航空照片数据集上训练,以区分人口稠密的农作物区域;以及以百分比方式计算区域的标准图像处理模块。进行的实验表明,航空照片的质量有显着改善,以及人口稠密的农作物区域和未吞噬的作物区域之间的显着差异,因此,耕种和未经耕种的地区更准确。所提出的方法可以扩展到可能的害虫,杂草植被,动态作物发展以及定性和定量质量控制的检测。
translated by 谷歌翻译