Ein auf tiefem semantischen Segmentierungsalgorithmus basierender Ansatz zur Segmentierung von Kulturen und Unkräutern in agrarischen Farbbildern

In der Präzisionslandwirtschaft ist die genaue Segmentierung von Kulturen und Unkräutern in agrarischen Bildern stets im Fokus. Es wurden viele Methoden vorgeschlagen, aber die saubere und scharfe Segmentierung von Kulturen und Unkräutern ist nach wie vor eine Herausforderung für Bilder mit hoher Präsenz von Unkräutern. Diese Arbeit schlägt eine Segmentierungsmethode vor, die auf der Kombination von semantischer Segmentierung und K-Means-Algorithmen basiert, um Kulturen und Unkräuter in Farbbildern zu segmentieren. Agrarische Bilder aus zwei verschiedenen Datenbanken wurden für die Segmentierungsalgorithmen verwendet. Mit der Schwellenwerttechnik wurde alles außer Pflanzen aus den Bildern entfernt. Danach wurde die semantische Segmentierung mit U-net durchgeführt, gefolgt von der Segmentierung von Kulturen und Unkräutern mit dem K-Means-subtraktiven Algorithmus. Der Vergleich der Segmentierungsleistung wurde für die vorgeschlagene Methode sowie für die K-Means-Clustering- und Superpixel-Algorithmen durchgeführt. Der vorgeschlagene Algorithmus lieferte eine genauere Segmentierung im Vergleich zu anderen Methoden mit einer maximalen Genauigkeit von 99,19%. Basierend auf der Konfusionsmatrix waren die Werte für wahre Positive und wahre Negative 0,9952 bzw. 0,8985, was die tatsächliche Klassifikationsrate von Kulturen und Unkräutern darstellt. Die Ergebnisse zeigten, dass die vorgeschlagene Methode erfolgreich genaue und überzeugende Ergebnisse für die Segmentierung von Kulturen und Unkräutern in Bildern mit komplexem Unkrautaufkommen lieferte.