Nhận dạng tình trạng cây lúa từ ảnh RGB UAV bằng phân đoạn superpixel và mạng convnext

https://doi.org/10.31130/ud-jst.2026.24(7A).131E

Tóm tắt: 0 | PDF: 1

##plugins.themes.academic_pro.article.main##

Author

  • Trong Hieu Luu
    College of Engineering, Can Tho University, Can Tho, Vietnam
    Quang Hieu Ngo
    College of Engineering, Can Tho University, Can Tho, Vietnam
    Manh Dat Nguyen
    College of Engineering, Can Tho University, Can Tho, Vietnam
    Phuc Vinh Nguyen
    College of Engineering, Can Tho University, Can Tho, Vietnam

Từ khóa:

lúa đỗ ngã
ảnh UAV
phân ngưỡng superpixel
simple linear clustering (SLIC)
mạng học sâu convnext

Tóm tắt

Đổ ngã lúa là vấn đề phổ biến, làm giảm năng suất và gây khó khăn cho thu hoạch. Nghiên cứu này trình bày phương pháp sử dụng UAV để phân loại tình trạng lúa từ ảnh RGB. Trước hết, thuật toán Simple Linear Iterative Clustering (SLIC) phân đoạn ảnh UAV thành các vùng superpixel nhỏ gọn, giúp bảo toàn ranh giới chính trên đồng ruộng và giảm nhiễu điểm ảnh. Tiếp theo, mạng ConvNeXt-Small phân loại tình trạng lúa dựa trên các vùng đã được phân đoạn. Một bộ dữ liệu gán nhãn thủ công được xây dựng từ ảnh RGB thu nhận bằng UAV với ba lớp: lúa xanh, lúa đổ ngã và lúa chín. Kỹ thuật tăng cường dữ liệu được áp dụng để nâng cao tính đa dạng của mẫu. Kết quả thực nghiệm cho thấy quy trình SLIC–ConvNeXt phân biệt hiệu quả ba tình trạng lúa, đạt độ chính xác tổng thể 98,07% trên tập xác thực của bộ dữ liệu này. Kết quả này cho thấy học sâu có hướng dẫn bởi superpixel là hướng tiếp cận đầy hứa hẹn cho đánh giá tình trạng lúa từ ảnh UAV.

Tài liệu tham khảo

    [1] H. P. Government, “Chapter 4. Research Method of Plant Growth and Harvest,” in Principle of Guidance for Rice, Wheat and Soybean. Kobe, Japan: Hyogo Prefecture, 2017, pp. 129–140.
    [2] H. Xiang and L. Tian, “Development of a low-cost agricultural remote sensing system based on an autonomous unmanned aerial vehicle (UAV),” Biosyst. Eng., vol. 108, pp. 174–190, 2011.
    [3] M. Weiss, F. Jacob, and G. Duveiller, “Remote sensing for agricultural applications: A meta-review,” Remote Sens. Environ., vol. 236, Art. no. 111402, 2020.
    [4] H. Yao, R. Qin, and X. Chen, “Unmanned aerial vehicle for remote sensing applications-A review,” Remote Sens., vol. 11, no. 12, Art. no. 1443, 2019.
    [5] T. B. Shahi, C.-Y. Xu, A. Neupane, and W. Guo, “Machine learning methods for precision agriculture with UAV imagery: A review,” Electron. Res. Arch., vol. 30, pp. 4277–4317, 2022.
    [6] H. Tao et al., “Estimation of crop growth parameters using UAV-based hyperspectral remote sensing data,” Sensors, vol. 20, no. 5, Art. no. 1296, 2020.
    [7] T. Lu, L. Wan, S. Qi, and M. Gao, “Land cover classification of UAV remote sensing based on transformer–CNN hybrid architecture,” Sensors, vol. 23, no. 12, Art. no. 5288, 2023.
    [8] M. S. Mia et al., “Multimodal deep learning for rice yield prediction using UAV-based multispectral imagery and weather data,” Remote Sens., vol. 15, Art. no. 2511, 2023.
    [9] P. Ahmadi, S. Mansor, B. Farjad, and E. Ghaderpour, “Unmanned aerial vehicle (UAV)-based remote sensing for early-stage detection of Ganoderma,” Remote Sens., vol. 14, Art. no. 1239, 2022.
    [10] Z. Su, Y. Wang, Q. Xu, R. Gao, and Q. Kong, “LodgeNet: Improved rice lodging recognition using semantic segmentation of UAV high-resolution remote sensing images,” Comput. Electron. Agric., vol. 196, Art. no. 106873, 2022, doi: 10.1016/j.compag.2022.106873.
    [11] Y. Chen, X. Yang, X. Zhou, Y. Deng, D. Kong, Z. Liu, and X. Zhu, “Estimating the yield of mature rice with UAV-based multimodal images fusion and five-points sampling,” IEEE Access, vol. 14, pp. 25115–25129, 2026, doi: 10.1109/ACCESS.2026.3663405.
    [12] N. K. Sato, T. Tsuji, Y. Iijima, N. Sekiya, and K. Watanabe, “Predicting rice lodging risk from the distribution of available nitrogen in soil using UAS images in a paddy field,” Sensors, vol. 23, no. 14, Art. no. 6466, 2023, doi: 10.3390/s23146466.
    [13] P. Zhang, S. Zhang, J. Wang, and X. Sun, “Identifying rice lodging based on semantic segmentation architecture optimization with UAV remote sensing imaging,” Computers and Electronics in Agriculture, vol. 227, pt. 1, Art. no. 109570, 2024, doi: 10.1016/j.compag.2024.109570.
    [14] R. Achanta, A. Shaji, K. Smith, A. Lucchi, P. Fua, and S. Süsstrunk, “SLIC superpixels compared to state-of-the-art superpixel methods,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 34, no. 11, pp. 2274–2282, 2012, doi: 10.1109/TPAMI.2012.120.
    [15] Z. Liu, H. Mao, C.-Y. Wu, C. Feichtenhofer, T. Darrell, and S. Xie, “A ConvNet for the 2020s,” arXiv preprint arXiv:2201.03545, 2022. [Online]. Available: https://arxiv.org/abs/2201.03545
    [16] M. Kumar, B. K. Bhattacharya, M. R. Pandya, and B. K. Handique, “Machine learning based plot level rice lodging assessment using multi-spectral UAV remote sensing,” Computers and Electronics in Agriculture, vol. 219, Art. no. 108754, 2024, doi: 10.1016/j.compag.2024.108754.
    [17] S. Chauhan et al., “Wheat lodging assessment using multispectral UAV data,” The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol. XLII-2/W13, pp. 235–240, 2019, doi: 10.5194/isprs-archives-XLII-2-W13-235-2019.
    [18] X. Qu, J. Zhou, X. Gu, Y. Wang, Q. Sun, and Y. Pan, “Monitoring maize lodging severity based on multi-temporal Sentinel-1 images using Time-weighted Dynamic Time Warping,” Computers and Electronics in Agriculture, vol. 215, Art. no. 108365, 2023, doi: 10.1016/j.compag.2023.108365.
Xem thêm

##plugins.themes.academic_pro.article.sidebar##

Đã Xuất bản

Jul 31, 2026
Download
PDF (English)
Cách trích dẫn
Luu, T. H., Q. H. . Ngo, M. D. Nguyen, và P. V. Nguyen. “Nhận dạng tình trạng cây Lúa từ ảnh RGB UAV bằng phân đoạn Superpixel Và mạng Convnext”. Tạp Chí Khoa học Và Công nghệ Đại học Đà Nẵng, vol 24, số p.h 7A, Tháng Bảy 2026, tr 29-36, doi:10.31130/ud-jst.2026.24(7A).131E.

##plugins.themes.academic_pro.article.details##