一个研究小组调查了AlexNet(一种先进的卷积神经网络(CNN)变体)在使用无人机的高分辨率航拍图像进行自动农作物分类方面的效果。他们的研究结果表明,AlexNet的表现始终优于传统的CNN。
这项研究强调了将深度学习与无人机数据相结合以增强精准农业的潜力,强调了早期停止技术对于防止过度拟合的重要性,并建议进一步优化更广泛的作物分类应用。
到2030年,全球人口预计将增长至90亿,这将大幅增加对粮食的需求。目前,自然灾害和气候变化是粮食安全的主要威胁,需要及时准确地对作物进行分类,以维持足够的粮食生产。尽管遥感和机器学习在作物分类方面取得了进展,但仍然存在挑战,例如依赖专家知识和信息丢失。
2024年5月28日《农学技术》上发表的一篇研究文章旨在评估基于CNN的模型AlexNet在混合小规模农场的作物类型分类方面的性能。
本研究使用AlexNet和传统CNN模型评估高分辨率无人机图像的农作物分类效率。两种模型均使用超参数进行训练,包括30–60个epoch、学习率为0.0001、批大小为32。AlexNet具有8层深度,在50个epoch时实现了99.25%的训练准确率和71.81%的验证准确率,展示了其卓越的性能。
相反,5层CNN模型在60个epoch时达到了最高的训练准确率62.83%,验证准确率46.98%。由于过度拟合,AlexNet的性能在60个epoch时略有下降,这强调了早期停止机制的必要性。
结果表明,虽然两种模型都会随着更多轮次的训练而不断改进,但AlexNet的表现始终优于传统的CNN,特别是在处理复杂数据集和保持高精度水平方面。
这表明AlexNet更适合精准农业中准确、高效的作物分类,尽管必须注意减轻长期训练中的过度拟合。
该研究首席研究员OluibukunGbengaAjayi表示:“鉴于观察到的过度拟合现象,我们强烈建议实施早期停止技术,如本研究中50个时期所展示的那样,或者在检测到过度拟合时修改分类超参数以优化AlexNet的性能。”
未来的研究将集中于扩展AlexNet的功能、优化预处理和细化超参数,以进一步提高作物分类准确性并支持全球粮食安全工作。