Deep learning-based classification of wet direct seeded rice, broadcasted direct seeded rice and transplanted rice using drone imagery for precision agriculture

利用分类技术对无人机影像进行作物面积精确估算，在精准农业中发挥着重要作用。传统机器学习（ML）方法已广泛用于农业图像分类；然而，先进的深度学习（DL）模型通常对复杂作物模式具有更优越的特征提取和分类能力。区分不同的水稻种植方式对于精确估算面积至关重要。本研究采用先进的深度学习模型，利用无人机影像对三种水稻种植类型进行分类：（i）撒播直播稻（DSR），（ii）湿润直播稻（Wet DSR），以及（iii）移栽稻（TR）。无人机影像采集自印度安得拉邦巴帕特拉县Praanadhaara Organised Agro Forestry Private Limited的试验田。图像在可见光谱（红、绿、蓝波段）下于三个日期拍摄，即2023年10月15日、2023年10月27日和2023年12月1日，飞行高度为40 m，用于训练和测试分类模型。分类采用六种基于ResNet-50的混合模型，即ResNet-50+K近邻（ResNet-50+KNN）、ResNet-50+支持向量机（ResNet-50+SVM）、ResNet-50+决策树（ResNet-50+DT）、ResNet-50+随机森林（ResNet-50+RF）、ResNet-50+朴素贝叶斯（ResNet-50+NB）和ResNet-50+神经网络（ResNet-50+NN），以及两种额外的深度学习架构，即You Only Look Once第5版（YOLOv5）和You Only Look Once第8版（YOLOv8）。采用总体精度（OA）、精确率（P）、召回率（R）、Kappa系数（K）、F1分数（F1）和平均精度均值（mAP）评估模型性能。在测试的分类器中，ResNet-50+NN模型在T₁、T₂和T₃分别持续取得最高的平均总体精度，为93.16%、95.81%和93.31%，优于所有其他模型，后者的精度在相应时间段分别为78.05%–92.07%、86.11%–95.24%和77.47%–92.09%。ResNet-50+NN模型还记录了最高的精确率（0.93–0.97）、召回率（0.92–0.97）、F1分数（0.92–0.97）和Kappa系数（0.89–0.96），在所有观测日期均表现出优越且稳定的分类性能。本研究开发的方法能够精确识别水稻种植方式，改进作物制图和监测。这种识别增强了资源