.png){kind=icon}
返回
A parameter-by-structure segmentation framework for enhanced CMD detection using UAV imagery and machine learning
.png){kind=icon}
OA
AI
DOI：10.1016/j.atech.2026.101938.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
木薯（Manihot esculenta Crantz）是热带地区粮食安全和工业应用的关键作物。然而，由木薯卷叶病毒科病毒（如斯里兰卡木薯卷叶病毒SLCMV）驱动的木薯卷叶病（CMD）已成为泰国及周边国家木薯生产的主要威胁。传统的基于田间的CMD检测方法劳动强度大且缺乏可扩展性，促使需要遥感技术和机器学习（ML）方法。本文提出了一种结构驱动的框架，结合无人机多光谱影像、基于对象影像分析（OBIA）和机器学习进行CMD检测。引入了一种参数-结构策略，根据观察到的木薯冠层形态类型（孤立、部分连接、合并冠层）调整Mean-Shift分割参数——空间半径、范围半径和最小段大小。分割输出用于提取统计和植被指数特征，作为四种ML分类器的输入：随机森林（RF）、支持向量机（SVM）、多层感知器（MLP）和逻辑回归（LR）。结果表明，结构适应性分割显著提高了分类精度。MLP在孤立和部分连接冠层类型中实现了最高的F1分数（分别为0.972和0.970），而RF在合并冠层结构中表现最佳（F1分数=0.957）。研究发现，根据生物田间特征调整的分割显著增强了CMD分类性能。本研究强调了将冠层形态整合到分割工作流程中以改进基于UAV的病害检测的有效性。提出的参数-结构框架为CMD监测提供了一种实用、可解释且可扩展的解决方案，并增强了基于UAV的CMD检测，为其他冠层结构作物提供了通用性。
Keyword:
Cassava mosaic disease (CMD)
UAV multispectral imagery
Object-based image analysis (OBIA)
Mean-shift segmentation
Machine learning classification
Precision agriculture
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
5.7
论文数:
2.5K
被引数:
2.5K
机构
引用论文
Remote sensing detection algorithm for apple fire blight based on UAV multispectral image基于无人机多光谱影像的苹果火荒地遥感检测算法
PREAI
分享收藏Agricultural Land Suitability Assessment Using Satellite Remote Sensing-Derived Soil-Vegetation Indices.png)
LAND
OAAI
LANDIF3.2
OAAI分享收藏Application of aerial remote sensing technology for detection of fire blight infected pear trees应用航空遥感技术检测梨树火疫病
PREAI
分享收藏Detection and classification of banana leaf disease using novel segmentation and ensemble machine learning approach. Appl. Comput. Syst. 28, 92–99使用新型分割和集成机器学习方法对香蕉叶片病害进行检测与分类。 Appl. Comput. Syst. 28, 92–99
IF0
PREAI
分享收藏
查看更多内容