无人机图像分析之杂草地图的评估

格氏电池

在本研究中开发的算法以100％的准确度识别和计算训练图像中的行，并且在对位于一些测试图像的角落中的短行进行分类时仅具有较小的误差。作物行的纵向边缘的定义受到非常接近或在作物行内的杂草植物的存在的强烈影响。通过比较从无人机图像分类得到的杂草覆盖率估计值和在地面采样照片中观察到的值来评估该方法的准确性（图6）。估算和观察到的杂草密度之间的关系非常令人满意，测定系数R 2 = 0.89且RMSE = 0.02，表明在所考虑的三个类别中具有良好的一致性。

图6.分别来自地面照片和无人机图像分析的采样框内观察到的和估计的杂草覆盖率（％）。

在低杂草覆盖率下，大多数值位于1：1线以上，表明对杂草侵染有一定程度的过高估计。从农艺学的角度来看，这种结果模式并不是不利的，因为它减少了错过孤立杂草的机会。也就是说，它考虑到农民可能选择处理无杂草区，而不是承担允许杂草未经处理的风险[ 31 ]。相比之下，OBIA程序略微低估了中度和高杂草密度下的杂草侵染，如果在除草剂处方图的设计中进行校正则不太重要[ 32 ]。

杂草地图，杂草侵染水平分为三类，也使用表4所示的混淆矩阵进行评估。矩阵表示总体准确度为86％，卡帕指数为0.76。分类是通过网格单元而不是像素，因此OA是正确分类的帧的百分比（正确的帧数占采样帧总数的百分比）。帧之间的混淆很小，只发生在连续的类别之间。矩阵还表明每个类别中的遗漏和佣金错误。OE表示观察到的杂草覆盖率被错误分类为具有不同覆盖范围的帧的比例，CE表示分类为具有与其他覆盖水平真正对应的杂草覆盖水平的帧的比例。如前所述，从杂草控制的角度来看，只有低估杂草类别的错误很重要[ 7例如，在低杂草密度和高杂草密度下报告0％，在中度杂草覆盖率下报告17％的帧。

[td]

地面真相杂草采样	无人机杂草地图
	低（<5％）	中等（5-20​​％）	高（> 20％）	帧数	遗漏错误	低估错误
低（<5％）	12	1		13	8％	0％
中等（5-20​​％）	2	9	1	12	25％	17％
高（> 20％）			3	3	0％	0％
帧数	14	10	4	28
佣金错误	15％	10％	25％

表4. 通过比较地面真实杂草采样和从无人机图像分类得到的杂草地图，三类杂草覆盖的分类矩阵。

正确的分类以粗体显示。
总体准确度= 86％，Kappa指数= 0.76

其他热门资讯尽在www.ace-pow.com