Ir-UNet: Irreguläre Segmentierung U-Shape Netzwerk zur Erkennung von Weizen-Gelberost durch UAV-Multispektralbilder

Pflanzenkrankheiten gelten allgemein als eine der dringendsten Herausforderungen für Nahrungsmittelpflanzen. Daher ist ein genauer Algorithmus zur Erkennung von Pflanzenkrankheiten für deren nachhaltige Bewirtschaftung äußerst wünschenswert. Der jüngste Einsatz von Fernerkundung und tiefem Lernen weckt zunehmendes Forschungsinteresse an der Erkennung von Weizen-Gelberost. Aktuelle Lösungen zur Gelberosterkennung basieren jedoch im Allgemeinen auf RGB-Bildern und grundlegenden semantischen Segmentierungsalgorithmen (z. B. UNet), die die unregelmäßigen und verschwommenen Randprobleme der Gelberostfläche nicht berücksichtigen und somit die Leistung der Krankheitssegmentierung einschränken. Daher zielt diese Arbeit darauf ab, einen automatischen Algorithmus zur Erkennung der Gelberostkrankheit zu entwickeln, um diese Randprobleme zu bewältigen. Ein verbesserter Algorithmus mit dem Titel Ir-UNet, der das unregelmäßige Encoder-Modul (IEM), das unregelmäßige Decoder-Modul (IDM) und das inhaltsbewusste Kanalumregewichtungsmodul (CCRM) integriert, wird vorgeschlagen und im Vergleich zum grundlegenden UNet mit verschiedenen Eingangsfeatures bewertet. Der kürzlich gesammelte Datensatz von der DJI M100 UAV, ausgestattet mit einer RedEdge-Multispektralkamera, wird verwendet, um die Algorithmusleistung zu bewerten. Vergleichende Ergebnisse zeigen, dass das Ir-UNet mit fünf Rohbändern das grundlegende UNet übertrifft und die höchste Gesamtgenauigkeit (OA) von 97,13 % unter verschiedenen Eingaben erreicht. Darüber hinaus kann die Verwendung von drei ausgewählten Bändern, Rot-NIR-RE, im vorgeschlagenen Ir-UNet ein vergleichbares Ergebnis (OA: 96,83 %) bei weniger Spektralbändern und geringerem Rechenaufwand erzielen. Es wird erwartet, dass diese Studie, indem das Ir-UNet-Netzwerk und UAV-Multispektralbilder nahtlos integriert werden, den Weg für die automatisierte Gelberosterkennung auf Ackerbauskalen ebnen kann.