Segmentation of vegetation and microplots in aerial agriculture images: A survey
Notice bibliographique
Résumé
Abstract Because of the increasing global population, changing climate, and consumer demands for safe, environmentally friendly, and high‐quality food, plant breeders strive for higher yield cultivars by monitoring specific plant phenotypes. Developing new crop cultivars and monitoring through current methods is time‐consuming, sometimes subjective, and based on subsampling of microplots. High‐throughput phenotyping using unmanned aerial vehicle‐acquired aerial orthomosaic images of breeding trials improves and simplifies this labor‐intensive process. To perform per‐microplot phenotype analysis from such imagery, it is necessary to identify and localize individual microplots in the orthomosaics. This paper reviews the key concepts of recent studies and possible future developments regarding vegetation segmentation and microplot segmentation. The studies are presented in two main categories: (a) general vegetation segmentation using vegetation‐index‐based thresholding, learning‐based, and deep‐learning‐based methods; and (b) microplot segmentation based on machine learning and image processing methods. In this study, we performed a literature review to extract the algorithms that have been developed in vegetation and microplots segmentation studies. Based on our search criteria, we retrieved 92 relevant studies from five electronic databases. We investigated these selected studies carefully, summarized the methods, and provided some suggestions for future research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».