RedEdge-P多光谱相机与智能算法相结合评估南瓜产量和分类

 人工智能（AI）或机器学习算法（ML）需要的数据通常来自单独的 RGB 相机，但随着 RedEdge-P 和 Altum-PT 空间分辨率的提高，能够输出具有较好的地面分辨率（GSD）数据，可以直接在此基础上运行ML算法。通过将高分辨率的多光谱数据与先进的机器学习算法相结合，可以创建模型来分析目标物的特征，比如本案例的南瓜分析。

这次对太平洋西北部Swans Trai农场南瓜地的调查采用美国Micasense公司新款RedEdge-P多光谱相机，搭载了大疆Matrice300无人机。RedEdge-P是一款五波段多光谱全色传感器，可应用于植物计数、植被监测和物种分类等任务。本次飞行面积约93077㎡，一旦无人机、相机和任务设置好并准备就绪，按下启动按钮并在距离地面60m的高度飞行，目标是在全色锐化数据中实现 2cm/pixel的GSD。

数据采集完成后，接下来处理数据并计算南瓜的数量和大小。数据处理采用Agisoft Metashape软件。数据经过处理和全色锐化后，提取了 2cm/pixel的五层多光谱 Geotiff，然后将其带入QGIS以获得南瓜地的概览。使用简单的多光谱阈值技术对正射镶嵌的一小部分进行半自动分类。

虽然这种基于像素的方法对一般分类很有效，但不能区分彼此靠近的南瓜个体，从而导致南瓜计数不准确。为了解决这个问题，我们手动编辑了彼此靠近的南瓜，并使其作为输入数据，使用 Tensorflow 构建了一个学习模型。该模型从 RedEdge-P 获取 2cm/pixel全色锐化 RGB 图像。高分辨率数据对于让模型有效学习并能够区分彼此靠近的南瓜很重要。

在这个案例中，我们感兴趣的是生成准确的南瓜数量并估计它们的大小。这可以帮助我们评估作物的潜在利润或损失，以及不同年份的时间比较，确定不同时间的计数率以及发芽率。

这里使用的方法和技术是通用的，很容易转移到其他分析目标。例如，我们可以对林业林分计数执行相同的分析过程；测量早期出苗的玉米或其他感兴趣的小型植物。我们可以根据我们测量的反射率来分析目标特征、输出计数或统计数据，这反过来使我们能够更有效地监控和管理农场、森林和环境资源。