Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery

要約

【タイトル】
高解像度衛星画像を用いた深層学習データ中心戦略によるアガベの作物セグメンテーションと成熟度分類

【要約】
– メキシコのアガベ地域の社会、環境、経済的発展には責任ある持続可能なアガベ-テキーラ生産が不可欠であり、大規模な自動アガベ地域のモニタリングのための新しいツールを開発することが重要である。
– 本研究では、非常に高解像度衛星画像を使用したアガベ・テキラーナ・ウェーバー・アスールの作物セグメンテーションと成熟度分類を提案する。
– このタスクに必要な、データの欠如、低品質なラベル、高度に不均衡なデータ、低いモデル性能など、アガベ作物セグメンテーションの特定の文脈における実世界の深層学習問題を解決する。
– 提案された戦略は、アクティブラーニングと人間の監督による合成画像の作成を組み合わせることで、データ拡張やデータ転送を超える。
– その結果、IoU値で評価されたセグメンテーション性能は、テストセットで0.72から0.90に向上した。
– また、95％の精度でアガベの作物熟成度を分類する方法も提案する。
– 精度の高いモデルを使用することで、広い範囲でアガベ生産の予測を利用できるようになり、アガベ供給過剰や森林破壊などの供給・需要問題を早期に検出することができる。

要約(オリジナル)

The responsible and sustainable agave-tequila production chain is fundamental for the social, environment and economic development of Mexico’s agave regions. It is therefore relevant to develop new tools for large scale automatic agave region monitoring. In this work, we present an Agave tequilana Weber azul crop segmentation and maturity classification using very high resolution satellite imagery, which could be useful for this task. To achieve this, we solve real-world deep learning problems in the very specific context of agave crop segmentation such as lack of data, low quality labels, highly imbalanced data, and low model performance. The proposed strategies go beyond data augmentation and data transfer combining active learning and the creation of synthetic images with human supervision. As a result, the segmentation performance evaluated with Intersection over Union (IoU) value increased from 0.72 to 0.90 in the test set. We also propose a method for classifying agave crop maturity with 95% accuracy. With the resulting accurate models, agave production forecasting can be made available for large regions. In addition, some supply-demand problems such excessive supplies of agave or, deforestation, could be detected early.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI