无人机图像分析对方法的评估
使用两个航拍图像创建和配置规则集算法，并使用其余图像进行测试。为了评估算法的结果，在无人机飞行期间进行了系统的地面采样程序。采样包括在整个研究表面放置28个方形白色框架，尺寸为1x1米（图5）。样品的分布代表了实验田中杂草覆盖水平的分布。在杂草侵袭程度低和中等的情况下杂草作图被认为是一项更复杂的任务（由于裸土的存在可能导致更大的混乱），而杂草侵扰程度高（裸土影响较小）或无杂草区（不受杂草影响）。出于这个原因，采样框架主要位于具有低和中等杂草覆盖水平的区域，而不是在无杂草区域或具有高或非常高的侵染水平的区域中。http://journals.plos.org/plosone/article/figure/image?size=inline&id=info:doi/10.1371/journal.pone.0077151.g005图5.用于三种不同类别杂草覆盖的地面实况采样的1x1-m帧的地面照片（1）和无人机图像（2）：a）低，b）中等，和c）高。
每个框架都使用GPS进行地理配准并拍照以比较地面杂草侵扰（观察到的杂草覆盖率）与图像分类过程的输出（估计的杂草覆盖率）。通过应用特定的绿色指数来提取地面照片中的杂草覆盖率，该指数突出了植被的绿色[ 27]。多个索引的视觉评估后，过量的绿色指数被选择用于使用和施加到照片。接下来，将值大于零的像素分类为植被（杂草和作物），最后通过手动屏蔽作物行区域来分离杂草像素。将地面和航空图像中的杂草区域的分数转换为每帧内总面积的百分比，并使用1：1线进行比较，其在理想情况下应该具有1的对应关系。通过计算线性回归模型的斜率，截距和确定系数（R 2）来评估该对应关系。均方根误差（RMSE）也被计算为估计总误差的附加量度。通过计算杂草映射输出之间的混淆矩阵和在先前定义的三个类别（低，中和高杂草密度）中分组的所有采样帧中的杂草覆盖来量化分类图像的准确度。混淆矩阵量化了分类的总体准确度（OA），以及每个类别中的遗漏（OE）和佣金（CE）错误[ 29 ]。更多无人机资讯尽在www.ace-pow.com
页:
[1]