Red neuronal profunda ligera para la detección de contornos y la extracción de espigas de trigo en entornos de campo...

Área de la Ciencia:

• Ciencias Agrícolas
• Visión por computadora
• Fenómica de las plantas

Sus antecedentes:

• La estimación precisa del número de espikelet de trigo es vital para el análisis de la composición del rendimiento.
• La extracción precisa del contorno del pico y la diferenciación entre las superficies de grano y espikelet son un desafío debido a los fondos de campo complejos y las estructuras superpuestas.

Objetivo del estudio:

• Desarrollar un marco de detección de objetos mejorado para la segmentación precisa de picos de trigo y el fenotipo.
• Mejorar la precisión de la extracción del contorno de los picos y la diferenciación de los picos en condiciones difíciles de campo.

Principales métodos:

• Propuso un marco de detección de objetos multiescala YOLOv9-LDS mejorado que utiliza una red troncal separable en profundidad (LDSNet) ligera.
• Incorpora un módulo de Atención Local Eficiente (ELA) y una fusión de características de doble ruta para una mejor representación de las características y la respuesta de la textura del borde.
• Se optimizó la función de pérdida con Scylla Intersection over Union (SIoU) y se agregaron capas de detección de objetos pequeños de alta resolución.

Principales resultados:

• Logró una tasa de reconocimiento de la integridad del contorno del 83,9% y 92,4% mAP@0,5 en un conjunto de pruebas independientes, superando la línea de base.
• La integración LDSNet-ELA redujo los falsos positivos en un 27,6%, y la función de pérdida mejorada mejoró el recuerdo de objetos pequeños en un 19,4%.

Conclusiones:

• El marco propuesto demuestra un rendimiento superior en escenarios de campo complejos, superando las limitaciones en la detección de picos superpuestos.
• Este método permite un fenotipo preciso de los picos y admite sistemas inteligentes de conteo de picos para aplicaciones de fenómica de cultivos.