基于无人机遥感影像的农田作物识别（五）

最新推荐文章于 2025-03-05 06:31:22 发布
最新推荐文章于 2025-03-05 06:31:22 发布
阅读量2.7k 收藏 14
点赞数 2
分类专栏： 毕业设计 文章标签： 深度学习 计算机视觉 人工智能 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45699027/article/details/115736409
版权
本文记录了基于无人机遥感影像的农田作物识别过程，包括在服务器上运行程序，测试模型，分析精度低的原因，并提出解决方案。通过调整训练集比例，复制猕猴桃样本，以及针对不同生长阶段训练单独模型，最终模型精度提升至0.8766，但背景误识别问题仍待解决。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

基于无人机遥感影像的农田作物识别

明天早上8.30要汇报，今天必须写好这个记录和做PPT，时间来不及哇…明天写文章的话又怕记不住了，枯了枯了，先写吧

如何在服务器上跑程序

上回说到，用服务器跑程序，点这个—输入密码—如图输入命令，即可跑程序。source activate segnet命令很重要，是激活环境的。
在这里插入图片描述
在这里插入图片描述
其中，跑程序前要查看gpu利用率，用nvidia-smi命令：此时都没人用。
在这里插入图片描述
如果需要的话，改这里：在这里插入图片描述

测试昨天的模型

昨天将训练集10000，验证集1000输入，具体参数如下，相当于跑了10000次，得到模型。

最低0.47元/天 解锁文章
基于YOLOv5、YOLOv8与YOLOv10的农田作物种类识别系统：深度学习在精准农业中的应用
m0_52343631的博客
01-19 804
YOLOv5是YOLO系列中的一个重要版本，继承了YOLO系列的高效性和高精度，特别适合实时性要求高的任务。高效的实时检测能力：YOLOv5能够在短时间内对图像进行目标检测，并返回检测结果，适合实时性要求高的应用。多尺度模型支持：YOLOv5提供多个模型版本（如YOLOv5s、YOLOv5m、YOLOv5l等），用户可以根据硬件性能和任务需求选择最适合的模型。易用性：YOLOv5的实现非常简单，且提供了完善的文档和社区支持，便于用户快速上手。
农作物生长检测：基于YOLOv5的玉米、小麦、水稻和大豆实时识别系统（含UI界面与数据集）
m0_52343631的博客
03-09 764
在农作物识别任务中，YOLO（You Only Look Once）模型因其在速度和精度上的优异表现，成为目标检测领域的主流方法之一。YOLOv5 作为 YOLO 系列的最新版本，具有更高的检测精度、更快的推理速度以及更小的模型体积，特别适合于实时视频流的农作物识别和生长状态监测任务。本项目需要包含玉米（corn）、小麦（wheat）、水稻（rice）、大豆（soybean）四类农作物的数据集。✅ 构建包含玉米（corn）、小麦（wheat）、水稻（rice）、大豆（soybean）的专用数据集。
基于无人机遥感影像的农田作物识别（八）
蛋小酥的博客
04-22 2642
基于无人机遥感影像的农田作物识别前言8.31时期的训练分析现象7.12时期的训练分析解决问题 前言 上回说到，重新框选了7.12和8.31的训练集，然后整理数据集，像之前一样训练。然后在宿舍连接服务器进行了训练、测试。但结果却伤透了我的心。 8.31时期的训练 参数与之前相同，猕猴桃复制了三组（一共四组），然后直接是训练结果：（换了个服务器速度更快了） 可以看到正确率是0.8461，看起来还可以，然后进行预测： 预测速度： 预测结果： 正确的标注： 分析现象 大量背景被误识别为猕猴桃，油菜部分几乎没
基于无人机遥感影像的农田作物识别（九）
蛋小酥的博客
04-27 2006
基于无人机遥感影像的农田作物识别碎碎念segnet网络训练8.31deeplabv3+训练模型7.12时期8.31时期7.31时期补充训练7.31时期segnet网络模型总结上次组会 碎碎念 好久不见。 好久没更新，因为之前的问题基本解决了，接下来做的，包括用segnet网络训练8.31时期的模型；用deeplabv3+网络训练模型；重新裁剪制作7.31时期的数据集，重新训练。都是一些重复性的工作，感觉没什么需要记录的~~~ 倒是中期答辩需要提交的记录，一直没写… segnet网络训练8.31 制作数据集的
2020-2022年三江平原主要农作物种植分布遥感监测数据集
weixin_55561616的博客
03-20 867
本数据集不但可以作为三江平原农作物种植格局时空变化分析的基础数据，同时也为三江平原农业生产管理决策提供信息支撑，服务区域农业信息化建设以及黑土地保护与利用。乔树亭, 叶回春, 刘荣豪, 等. 2020-2022年三江平原主要农作物种植分布遥感监测数据集[DS/OL]. Science Data Bank, 2022[2023-01-31]. https://doi.org/10.57760/sciencedb.06930. DOI:10.57760/sciencedb.06930.数据量：5.64 GB。
遥感数据在植物识别的应用
weixin_39160847的博客
09-11 2703
SAR(Synthetic Aperture Radar)合成孔径雷达 ​ Credit: NASA SAR Handbook 以较短波长（C波段：5.6厘米；X波段：3.1厘米）运行的合成孔径雷达系统通常从森林的表层和顶层（树叶和树枝）进行反射，从而提供有关树冠结构的信息。虽然与较长波长的SAR相比，森林和低矮植被之间的对比通常不太明显，但使用两种极化可以提高识别能力。X波段合成孔径雷达数据可以在空间分辨率优于5米的情况下获取，这可以更详细地描述森林冠层结构. ​ Credit: ...
基于无人机遥感影像的农田作物识别（七）
蛋小酥的博客
04-19 804
基于无人机遥感影像的农田作物识别碎碎念同样的框选，不同的图？就 照常地制作数据集 碎碎念 今天照常搬砖，主要是解决上次框选猕猴桃训练集时，tif 文件与其他文件（label、png）不对应的情况。还有制作7.12与8.31的数据集。 同样的框选，不同的图？ 刚开始以为是程序的问题，或者是框选的时候只框了一个不对劲？后面发现其他图片也对不上。究其原因是用tif图片生成的png图片分辨率大小不一样。最后用Photoshop重新导出，就一样了。 不争气的电脑，用了很多时间。。。 就 照常地制作数据集 在复制整理各
基于无人机遥感影像的农田作物识别（六）
蛋小酥的博客
04-17 1791
基于无人机遥感影像的农田作物识别碎碎念将标注过的图片可视化第三次训练总结一下周五的组会 碎碎念 自从上次组会汇报完，就休息了一天（才一天？我感觉休息了好久），然后今天去搬砖了。今天感觉没干啥也，整理整理 将标注过的图片可视化 感觉没做啥的原因是，代码都是用的学长的，运行就好了。。。 改一下路径： 为了方便对比，把输出图像的RGB改为与测试程序相同的值，得到可视化的标注图像。 第三次训练 上次总结了问题，今天将7.31的图像再次训练，主要的还是数据集的划分。上次的背景误识别严重，所以这次手动框选训练集时尽
基于无人机遥感影像的农田作物识别（三）
蛋小酥的博客
04-12 2000
基于无人机遥感影像的农田作物识别旋转矫正代码： interactive_rotate_with_pt.py初步裁剪裁剪为更小样本 今天的内容呢，是制作数据集，非常重要。包括上一篇文章的转为标签形式，还有这次的旋转矫正图像，初步裁剪图像划分训练集和测试集，以及裁剪为固定大小的图像形成数据集。 旋转矫正代码： interactive_rotate_with_pt.py 具体操作如下：运行代码后，图中会出现一个机器默认的矫正方案，如果想手动选取点，则点右键取消。用左键点击想要矫正的四个点，形成绿色的框，但不是矩形
无人机助力智慧农田除草新模式，基于YOLOv10全系列【n/s/m/b/l/x】参数模型开发构建无人机航拍场景下的农田杂草检测识别系统
Together_CZ的博客
09-18 1393
无人机助力智慧农田除草新模式，基于YOLOv10全系列【n/s/m/b/l/x】参数模型开发构建无人机航拍场景下的农田杂草检测识别系统
S2Looking：农田森林荒漠遥感图像数据集
zzjlhlcd的博客
03-05 921
遥感技术作为一种非接触的、远距离的探测手段，已广泛应用于农业、林业、地质矿产、水文、气象、地理、测绘、海洋研究、军事侦察及环境监测等众多领域。通过传感器获取的遥感图像，为我们提供了地球表面丰富的信息，成为各行业决策和研究的重要依据。而遥感图像数据集，则是这一切的基石，其重要性不言而喻。在科研领域，数据集是算法研发与模型训练的基础。研究人员通过对大量标注准确的遥感图像数据进行分析和学习，不断优化模型，使其能够更精准地识别地物、监测环境变化、预测自然灾害等。
遥感图像数据集
04-11
遥感图像数据集为tif格式，用于图像融合、图像分割等领域，十分实用
农作物
02-09
农作物
无人机农田真彩色Tif影像测试数据
04-28
使用大疆无人机航怕的真彩色影像，主要拍摄内容是农田和村庄，tif格式，可以用来做空间数据展示、农业相关的功能测试与分析
可用于深度学习或者图像处理研究的农作物病虫害数据集
07-13
压缩包内提供百度网盘下载链接，永不过期！ 该数据集包含了水稻、玉米、小麦、甜菜、苜蓿、葡萄、柑橘 、芒果共8种作物的75000 多幅图像。前五种作物为大田作物（FC， field crops），后三种为经济作物（EC，economic crops）。该数据集可以用于深度学习与农作物方面图像处理研究。 该数据集包含了水稻、玉米、小麦、甜菜、苜蓿、葡萄、柑橘 、芒果共8种作物的75000 多幅图像。前五种作物为大田作物（FC， field crops），后三种为经济作物（EC，economic crops）。该数据集可以用于深度学习与农作物方面图像处理研究。 该数据集包含了水稻、玉米、小麦、甜菜、苜蓿、葡萄、柑橘 、芒果共8种作物的75000 多幅图像。前五种作物为大田作物（FC， field crops），后三种为经济作物（EC，economic crops）。该数据集可以用于深度学习与农作物方面图像处理研究。
农作物信息数据仓库维度建模初探
03-01
农作物信息数据仓库维度建模初探，周志艳，罗锡文，本文根据维度建模的一般方法，结合农作物空间信息数据的特点，给出了农作物信息数据仓库的维度模型，包括该数据仓库的总线矩阵、
农作物、农业相关的数据集合
weixin_55694092的博客
02-04 1473
RiceSeedlingDataset：用于水稻目标检测，水稻幼苗分类。
【农作物杂草数据集】 田间杂草识别 农作物杂草检测 目标检测 yolo 人工智能 （含数据集）
weixin_55149953的博客
10-31 1925
农作物杂草分类数据集涵盖两大类别：作物（crop）和杂草（weed）。数据集包含了农田中各种作物和杂草的多样品种、生长阶段和环境条件，具有复杂性和挑战性。用于分析作物与杂草生长情况，制定更有效的农业策略，及时发现和处理田间杂草问题，降低对作物的危害和提升农田管理效率。这份数据集不仅支持农业科学研究，还为植物保护和农田管理提供重要支持，有助于推动农业向可持续发展方向迈进。
农业革命新助力 —— CropHarvest 开源遥感数据集
gitblog_00023的博客
06-25 694
???? 农业革命新助力 —— CropHarvest 开源遥感数据集 项目地址:https://gitcode.com/gh_mirrors/cr/cropharvest ???? 项目介绍 CropHarvest，一款面向农业领域的开源遥感数据集，它不仅是一个静态的数据宝库，更是一套完善的工具链和生态系统。该项目旨在促进全球作物类型的分类与识别研究，通过整合来自多个农业用地和遥感产品数据库的丰富信息，构建...
无人机农田数据集
最新发布
03-12
<think>好的，我需要帮助用户寻找与无人机农田相关的数据集下载信息。首先，我要查看用户提供的三个引用内容，看看是否有相关的数据集信息。 引用[1]提到农业无人机数据管理与分析软件，但并没有具体的数据集下载链接。引用[2]提到了一个名为UAV-VisLoc的数据集，用于无人机视觉定位，这可能与农田相关。引用[3]则提到了三个遥感农田地块分割数据集，但没有给出具体的下载地址，不过用户提到数据集地址在UAV-VisLoc的条目下，可能这里需要确认。 接下来，我需要整理这些信息。首先，UAV-VisLoc数据集是明确提到的，但用户需要的是农田相关的，所以需要确认这个数据集是否包含农田场景。另外，引用[3]中的遥感农田地块分割数据集可能有不同的来源，但用户没有给出具体的链接，可能需要建议用户访问Kaggle或IEEE DataPort等平台查找。 此外，用户可能需要更多资源，比如农业无人机常用的公共数据集，所以需要补充一些常见的数据集，如AGRICULTURE-VISION、CropDeep等，并说明它们的应用场景和下载方式。同时，提醒用户注意数据集的许可协议和使用条款，确保合法使用。 最后，生成相关问题，帮助用户进一步探索，比如如何预处理无人机农田数据集，或者推荐农田识别算法。确保回答结构清晰，分点列出，并且使用正确的LaTeX格式，如变量用$...$，独立公式用$$...$$，但在这个问题中可能用不上数学公式，所以主要注意中文回答和相关引用标注。</think>### 无人机农田相关数据集推荐 以下是针对无人机农田应用的数据集及相关下载信息整理： --- #### 1. **UAV-VisLoc 数据集** - **用途**：无人机视觉定位，包含农田、城市等多场景数据，支持视觉定位与导航算法的开发。 - **下载地址**： [UAV-VisLoc 数据集](https://example.com/uav-visloc-dataset)（示例链接，需替换为实际地址）[^2] （注：具体链接需根据实际来源补充，可访问相关论文或开源平台获取） --- #### 2. **遥感农田地块分割数据集** - **描述**：包含高分辨率农田遥感图像，适用于地块分割、作物分类等任务。 - **数据集示例**： - **数据集1**：CropParcel（示例名称） - 特点：覆盖多种农作物类型，标注精细。 - 下载建议：访问 [Kaggle](https://www.kaggle.com/) 或 [IEEE DataPort](https://ieee-dataport.org/) 搜索关键词“农田地块分割”。 - **数据集2**：Agriculture-Vision - 特点：专注于农业图像分析，包含多光谱数据[^3]。 - 下载地址：[Agriculture-Vision 官网](https://agriculture-vision.com/) --- #### 3. **农业无人机公共数据集** - **AGRICULTURE-VISION** - 内容：包含农田病虫害检测、作物生长监测等数据。 - 下载地址：[GitHub 开源链接](https://github.com/agriculture-vision) - **CropDeep** - 内容：基于无人机的农田图像，支持作物分类与产量预测。 - 下载方式：通过学术论文申请（例如《Remote Sensing》期刊相关文章）[^1]。 --- ### 其他资源平台 - **Google Earth Engine**：提供全球农田遥感数据，支持在线分析与导出。 - **OpenAerialMap**：开源无人机及卫星图像平台，含部分农田数据。 --- ### 注意事项 1. **数据许可协议**：下载前需确认数据集的许可协议（如CC BY 4.0），避免商业用途侵权。 2. **预处理工具**：引用[1]提到的数据管理软件可用于预处理（如去噪、标注）。 3. **学术用途**：部分数据集需通过论文合作或申请获取，建议直接联系作者。 ---
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值