Video Experimental Relacionado
Updated: May 12, 2026
11:38
Volume Segmentation and Analysis of Biological Materials Using SuRVoS Super-region Volume Segmentation Workbench
Published on: August 23, 2017
9.9K
BiSeNeXt: un método de segmentación de hojas de ñame y enfermedades basado en una BiSeNetV2 mejorada en escenas
Bibo Lu1, Yanjun Lu1, Di Liang1
1School of Computer Science and Technology, Henan Polytechnic University, Jiaozuo, China.
Frontiers in plant science
|August 21, 2025
Resumen
Este estudio introduce BiSeNeXt para la segmentación de enfermedades de las hojas de ñame, logrando una alta precisión en entornos complejos. El método segmenta eficientemente las hojas y las manchas de enfermedad, mejorando el análisis del rendimiento de los cultivos.
Área de la Ciencia:
- Ciencias Agrícolas
- Visión por computadora
- Patología vegetal
Sus antecedentes:
- La calidad y el rendimiento del ñame se ven significativamente afectados por las enfermedades de las hojas, lo que requiere un monitoreo preciso.
- La investigación actual sobre la segmentación de la enfermedad de las hojas de ñame es limitada, enfrentando desafíos como hojas superpuestas, iluminación desigual y manchas de enfermedad irregulares.
- La segmentación precisa es crucial para la identificación y el manejo de enfermedades en el cultivo de ñame.
Objetivo del estudio:
- Desarrollar el primer conjunto de datos para la segmentación de la enfermedad de la hoja de ñame.
- Proponer un método de segmentación mejorado, BiSeNeXt, para una mayor precisión en entornos complejos.
- Proporcionar una base sólida para analizar la salud y las enfermedades de las hojas de ñame.
Principales métodos:
- Se introdujo el primer conjunto de datos de segmentación de la enfermedad de la hoja de ñame.
- Desarrolló BiSeNeXt, un método de segmentación mejorado basado en BiSeNetV2.
- Bloque de extracción de características dinámicas (DFEB) incorporado con convolución dinámica de campo receptivo (DRFConv) y mezcla de píxeles (PixelShuffle) para la detección precisa de bordes.
- Utilizó la Atención Multiescala Eficiente y Asimétrica (EAMA, por sus siglas en inglés) para abordar la adhesión de la lesión.
- Utilizó el decodificador PointRefine para el refinamiento adaptativo de las predicciones de segmentación.
Principales resultados:
- Se logró un 97,04% de intersección sobre la Unión (IOU) para la segmentación de hojas y un 84,75% de IOU para la segmentación de enfermedades.
- Mejora de la IU en un 2,22% para la segmentación de hojas y en un 5,58% para la segmentación de enfermedades en comparación con DeepLabV3+.
- Demostró un costo computacional significativamente más bajo, que requiere solo el 11,81% de FLOPs y el 7,81% de parámetros en comparación con DeepLabV3+.
Conclusiones:
- BiSeNeXt segmenta con precisión y eficiencia las manchas de hojas de ñame en escenas complejas.
- El método propuesto ofrece un avance significativo para el análisis y la gestión de las enfermedades del ñame.
- Este trabajo establece una base sólida para una mayor investigación en el análisis de imágenes agrícolas.
