Classification of grapevine varieties using UAV hyperspectral imaging

要約

さまざまなブドウ品種の分類は、ワイン産業に関するアプリケーションの中でも特に、さまざまな品種専用のブドウ畑の列の成長を推定できるため、精密ブドウ栽培に関連する表現型解析タスクです。
このタスクは、研究室でのデータ収集や分析など、時間のかかるタスクを必要とする破壊的な方法で実行できます。
ただし、無人航空機 (UAV) は、よりノイズの多いデータを取得するにもかかわらず、ハイパースペクトル データを収集するためのより効率的で法外なアプローチを提供します。
したがって、最初のタスクは、これらのデータを処理して、大量のデータを修正およびダウンサンプリングすることです。
さらに、ブドウ品種のハイパースペクトルの特徴は非常に似ています。
この研究では、17 種類の赤ブドウと白ブドウの変種を分類するための畳み込みニューラル ネットワーク (CNN) が提案されています。
単一のサンプルを分類するのではなく、近傍サンプルとともに処理されます。
したがって、空間的およびスペクトル的特徴の抽出は、1) 空間アテンション レイヤーと 2) インセプション ブロックで対処されます。
パイプラインは処理からデータセットの作成に進み、トレーニング フェーズで終了します。
適合したモデルは、応答時間、精度、データ分離性の観点から評価され、ハイパースペクトル データを分類するために他の最先端の CNN と比較されます。
私たちのネットワークは、入力バンドの数が減り、トレーニング可能な重みの数が減り、その結果トレーニング時間が短縮されることで、はるかに軽量であることが証明されました。
それにもかかわらず、評価されたメトリクスは、81% の OA をかろうじて達成した以前の作業と比較して、私たちのネットワークではるかに優れた結果 (全体の精度 ~99%) を示しました。

要約(オリジナル)

The classification of different grapevine varieties is a relevant phenotyping task in Precision Viticulture since it enables estimating the growth of vineyard rows dedicated to different varieties, among other applications concerning the wine industry. This task can be performed with destructive methods that require time-consuming tasks, including data collection and analysis in the laboratory. However, Unmanned Aerial Vehicles (UAV) provide a more efficient and less prohibitive approach to collecting hyperspectral data, despite acquiring noisier data. Therefore, the first task is the processing of these data to correct and downsample large amounts of data. In addition, the hyperspectral signatures of grape varieties are very similar. In this work, a Convolutional Neural Network (CNN) is proposed for classifying seventeen varieties of red and white grape variants. Rather than classifying single samples, these are processed together with their neighbourhood. Hence, the extraction of spatial and spectral features is addressed with 1) a spatial attention layer and 2) Inception blocks. The pipeline goes from processing to dataset elaboration, finishing with the training phase. The fitted model is evaluated in terms of response time, accuracy and data separability, and compared with other state-of-the-art CNNs for classifying hyperspectral data. Our network was proven to be much more lightweight with a reduced number of input bands, a lower number of trainable weights and therefore, reduced training time. Despite this, the evaluated metrics showed much better results for our network (~99% overall accuracy), in comparison with previous works barely achieving 81% OA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google