Video Experimental Relacionado
Updated: Sep 9, 2025
11:49
Cereal Crop Ear Counting in Field Conditions Using Zenithal RGB Images
Published on: February 2, 2019
9.4K
Un enfoque de detección para el reconocimiento y el conteo de picos de trigo basado en imágenes de UAV y R-CNN
Donglin Wang1,2, Longfei Shi1, Huiqing Yin1
1College of Water Conservancy, North China University of Water Resources and Electric Power, Zhengzhou 450000, China.
Plants (Basel, Switzerland)
|August 28, 2025
Resumen
Este estudio introduce un sistema inteligente de vehículos aéreos no tripulados (UAV) para el recuento preciso de picos de trigo, mejorando los métodos manuales. El modelo Faster R-CNN desarrollado mejora la eficiencia y la precisión en la agricultura de precisión.
Área de la Ciencia:
- Ingeniería agrícola
- Visión por computadora
- Detección remota
Sus antecedentes:
- El conteo manual de las espigas de trigo requiere mucha mano de obra, es ineficiente y suele ser inexacto.
- Los métodos automatizados existentes luchan con la precisión, especialmente en cubiertas densas y condiciones de campo variables.
Objetivo del estudio:
- Desarrollar un innovador método de detección inteligente basado en vehículos aéreos no tripulados (UAV) para el recuento preciso de picos de trigo.
- Mejorar la eficiencia y la precisión de la detección de picos de trigo y la predicción del rendimiento en la agricultura inteligente.
Principales métodos:
- Se recogió un conjunto de datos de imágenes de trigo de invierno de alta resolución (2000 imágenes) en diversas condiciones de fertilización y riego.
- Desarrolló un modelo mejorado de R-CNN más rápido utilizando la red troncal ResNet-50 con conexiones residuales y atención al canal.
- Se validó el rendimiento del modelo en comparación con los recuentos manuales y YOLOv8, y se desarrolló un modelo integral de estimación del rendimiento.
Principales resultados:
- Se logró una precisión media del 92,1% (mAP) con una reducción del 43% en los parámetros del modelo y una mejor eficiencia computacional.
- Se demostró una reducción del 15% en la tasa de detección fallida en comparación con YOLOv8 en cubiertas densas.
- La regresión del recuento de picos arrojó R2 = 0,88, errores de predicción de rendimiento por debajo del 10% y una precisión de estimación de rendimiento general del 93,5%.
Conclusiones:
- El método de detección inteligente basado en UAV propuesto mejora significativamente la precisión y la eficiencia del conteo de picos de trigo.
- El modelo ligero y robusto ofrece un valor práctico para la agricultura inteligente, especialmente en la estimación del rendimiento bajo una gestión óptima.
- La adquisición de datos estandarizada, el diseño de modelos ligeros y la validación de campo abordan los desafíos clave en el monitoreo agrícola automatizado.
