Agrartechnologie

Abstrakt

Erklärbare Klassifizierung von Baumarten auf Basis eines Convolutional Neural Network unter Verwendung multispektraler Bilder eines unbemannten Luftfahrzeugs

Ling-Wei Chen, Pin-Hui Lee, Yueh-Min Huang*

Wir wollen dem Arbeitskräftemangel entgegenwirken, insbesondere der alternden Belegschaft in ländlichen Gebieten, und so die landwirtschaftliche Bewirtschaftung erleichtern. Der Transport und Betrieb landwirtschaftlicher Geräte in Taiwan wird dadurch erschwert, dass viele Nutzpflanzen in Taiwan an Hängen angebaut werden. Bei Mischkulturen in solchen landwirtschaftlichen Gebieten mit Hanglage hilft die Identifizierung von Baumarten bei der landwirtschaftlichen Bewirtschaftung und reduziert den Arbeitsaufwand für die landwirtschaftlichen Tätigkeiten. Allgemeine optische Bilder, die von Kameras für sichtbares Licht aufgenommen werden, reichen für die Aufzeichnung aus, liefern jedoch suboptimale Ergebnisse bei der Identifizierung von Baumarten. Die Verwendung einer Multispektralkamera ermöglicht die Identifizierung von Pflanzen anhand ihrer spektralen Reaktionen. Wir präsentieren eine Methode zur Klassifizierung von Baumarten unter Verwendung von sichtbarem Licht und Multispektralbildern von UAVs. Wir nutzen die Unterschiede in den spektralen Reflexionswerten zwischen Baumarten und verwenden Bilder im Nahinfrarotbereich, um die Klassifizierungsleistung des Modells zu verbessern. CNN-basierte Deep Neural-Modelle werden häufig verwendet und liefern hohe Genauigkeiten, aber 100 % korrekte Ergebnisse sind schwer zu erzielen, und die Modellkomplexität steigt im Allgemeinen mit der Leistung. Dies führt zu Unsicherheit über die endgültigen Entscheidungen des Systems. Interpretierbare KI extrahiert Schlüsselinformationen und interpretiert sie, um ein besseres Verständnis der Schlussfolgerungen oder Aktionen des Modells zu erreichen. Wir verwenden Visualisierung (vier Zuordnungsmethoden auf Pixelebene und eine Zuordnungsmethode auf Regionsebene), um das Modell nachträglich zu interpretieren. Fuzzy-IG für die Zuordnung auf Pixelebene stellt Texturmerkmale am besten dar, und die Zuordnung auf Regionsebene stellt Lebensbereiche effektiver dar als die Zuordnung auf Pixelebene, was das menschliche Verständnis unterstützt.