Cabbage yield estimation with multi‐view convolutional neural networks from UAV‐derived point clouds
Yui Yokoyama · René Gislum · Tsutomu Matsui 等 4 人
用无人机点云生成多视角投影图，结合多视角CNN估测甘蓝单株产量。
UAV点云生成八斜视加顶视投影图，训练多视角CNN并与单图CNN和线性模型对比。
多视角模型精度优于单图模型，且在未见过田块上泛化更稳健。
可探索多视角投影与点云深度学习结合，用于其他作物产量估测及胁迫检测。
该研究基于无人机点云与多视角CNN提升甘蓝单株产量估测精度与跨田块泛化能力，方法新颖、结论可靠，属智慧农业细分领域实质进展。
摘要 来自遥感的三维（3D）数据，包括点云，能够提供详细的冠层结构信息，从而提升估算精度和模型泛化能力。本研究的主要目标是评估基于多视角三维投影图像的多视角卷积神经网络方法对甘蓝（Brassica oleracea var. capitata L.）单株产量估算的准确性。此外，利用来自未见田块的测试数据集检验了该方法的泛化能力。本研究建立了四类模型。其中两个模型使用包含八个斜视角的多视角图像，分别附加或不附加一个俯视图。另外两个作为对比的基线模型：使用正射影像作物的单图像卷积神经网络模型和简单的基于像素的线性模型。模型在与训练和验证相同的田块数据集以及两个独立田块上进行了评估。多视角模型在与训练和验证相同的田块数据集上达到了0.74 ± 0.013和0.73 ± 0.017的Lin一致性相关系数，优于单图像模型。尽管与随机划分的测试数据集相比，独立田块上的预测误差有所增加，但多视角模型仍优于基线模型，表明其在外推条件下具有稳健性。梯度加权类激活映射结果表明，多视角模型关注的区域与单图像模型所关注的区域不同。这些结果表明，多视角模型不仅提高了产量估算精度，还增强了泛化能力，可支持精准农业中胁迫检测和生长监测等更广泛的应用。