Weed and crop discrimination using hyperspectral image data and reduced bandsets

Abstract

Accurate and efficient weed detection in crop fields is a key requirement for directed herbicide application in real-time Site-Specific Weed Management (SSWM). Using very high spatial resolution (1.25 mm) hyperspectral (HS) image data (61 bands, 400–1000 nm at 10 nm spectral resolution), this study determined that reduced HS bandsets are feasible for discriminating weeds (wild oats, redroot pigweed) from crops (field pea, spring wheat, canola) using Artificial Neural Network (ANN) classification. A 7-band set identified through principal component analysis and stepwise discriminant analysis yielded ANN classification accuracies (88% to 94%) that were nearly equivalent to the full 61-band HS results (89% to 95%) at replicate field plots in southern Alberta, Canada. Therefore, low dimensional narrowband sensors or similar bandsets derived from HS data warrant consideration for SSWM. The computational savings possible from this substantial level of data reduction are potentially critical for enabling optimal use of HS data in real-time ground-based SSWM systems. Recommendations made based on these results have potentially broader implications to SSWM with respect to on-board processing efficiency, weed–crop discrimination method, and sensor and algorithm design.

La détection précise et efficace des mauvaises herbes dans les champs de cultures est une condition essentielle pour le traitement dirigé d'herbicides pour la gestion des mauvaises herbes par site en temps réel («Site-Specific Weed Management», SSWM). En utilisant des images hyperspectrales (HS, 61 bandes, 400–1000 nm à 10 nm résolution spectrale) de très haute résolution spatiale (1,25 mm), cette étude a déterminé qu'il est possible de distinguer des mauvaises herbes (folle avoine, amarante à racine rouge) des cultures (pois des champs, blé de printemps, canola) à l'aide d'ensembles réduits de bandes HS en utilisant une classification par réseau de neurones artificiels («Artificial Neural Network», ANN). Un ensemble de 7 bandes identifié par une analyse en composantes principales et une analyse discriminante pas à pas a permis des classifications ANN dont les précisions (88 % à 94 %) étaient à peu près équivalentes aux résultats obtenus par l'utilisation des 61 bandes HS (89% à 95 %) pour des répliquas de parcelles échantillonnées dans le sud de l'Alberta, Canada. Par conséquent, les capteurs de faibles dimensions à bande étroite ou des ensembles de bandes similaires provenant des données HS devraient être considérés pour le SSWM. Les économies de temps de calcul liées à cette réduction substantielle de données sont potentiellement critiques pour permettre une utilisation optimale des données HS dans les systèmes de SSWM au sol en temps réel. Les recommandations formulées sur la base de ces résultats ont des implications potentiellement plus générales pour le SSWM à l'égard de l'efficacité du traitement à bord, la méthode de discrimination pour les mauvaises herbes/cultures et la conception des capteurs et algorithmes.

[Traduit par la Rédaction]

Acknowledgements

This research was supported by the Improving Farming Systems and Practices initiative through Agriculture and Agri-Food Canada. P.R. Eddy acknowledges support from the University of Lethbridge, Natural Resources Canada, and a Canadian Government Research Affiliate stipend. D. Peddle acknowledges support from NSERC (Discovery Grant program). We also acknowledge April Banack and Randall Brandt for scientific support, and Spectral Photonics and Delta-T Technologies in Calgary, Alberta, Canada, for development of the hyperspectral camera system and software support. The authors thank the anonymous reviewers for their helpful comments and suggestions that improved the final paper.