Early Detection of Apple Scab in Orchards and Mildew in Vineyards Using A Novel Deep Learning Model and Multispectral Imagery
Batuhan Aşıroğlu · Aydın Kağan Turkoglu · Fatih Sinan Bir 等 4 人
提出一种基于无人机多光谱时序影像的深度学习混合模型，实现苹果黑星病和葡萄霉病的早期检测与分割。
DJI Phantom 4多光谱无人机采集时序影像，构建时序深度学习分割模型。
苹果病IoU达82.05%，葡萄病达79.67%，验证多光谱时序数据有效性。
可探索多作物、多病害的时序多光谱通用模型，并融合气象与地面数据提升早期预警能力。
该研究提出基于多光谱时序影像的新型深度学习模型，实现果园与葡萄园病害早期检测，数据规模大、方法新颖，对精准农业病害预警具有参考价值。
农业病害是种植者面临的重大问题，会对果实和叶片造成严重损害，导致产量损失。因此，开发植物病害早期检测系统是一个至关重要的问题。本研究提出了一种基于深度学习的新型混合模型，用于植物病害的检测与分割，具体针对苹果园中的苹果黑星病和葡萄园中的霜霉病。该早期病害检测系统的开发使用了2023年5月至2024年12月期间通过无人机在土耳其泰基尔达省农业区域采集的多光谱影像数据。数据集包含3625幅苹果园图像和5625幅葡萄园图像。所用DJI Phantom 4多光谱无人机配备五个光谱波段（蓝、绿、红、红边和近红外），用于捕捉光谱丰富度和时间变化过程。本研究提出了一种专门开发的深度学习架构，用于基于时间序列的多光谱无人机影像病害检测与分割。植物随时间的变化提供了关于植物病害发生的重要信息。因此，本研究使用时间序列从植物随时间的变化中提取特征。所提出的模型架构专门设计以利用时间序列信息，从而能够稳健地跟踪作物健康状况随时间的变化。使用苹果病害数据集训练的模型达到了82.05%的平均交并比（IoU）值，而使用葡萄园病害数据集训练的模型达到了79.67%的IoU值。研究结果凸显了将无人机获取的多光谱时间序列数据与先进深度学习模型相结合，在精准农业中实现可扩展、准确且及时的植物病害检测方面的有效性。