Search research articles

ACERCA DE JoVE

Visión General Liderazgo Blog Centro de Ayuda JoVE

AUTORES

Proceso de Publicación Consejo Editorial Alcance y Políticas Revisión por Pares Preguntas Frecuentes Enviar

BIBLIOTECARIOS

Testimonios Suscripciones Acceso Recursos Consejo Asesor de Bibliotecas Preguntas Frecuentes

INVESTIGACIÓN

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments Archivo

EDUCACIÓN

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual Centro de Recursos para Profesores Sitio de Profesores

Términos y Condiciones de Uso

Política de Privacidad

Videos de Conceptos Relacionados

Light Acquisition

Light Acquisition

In order to produce glucose, plants need to capture sufficient light energy. Many modern plants have evolved leaves specialized for light acquisition. Leaves can be only millimeters in width or tens of meters wide, depending on the environment. Due to competition for sunlight, evolution has driven the evolution of increasingly larger leaves and taller plants, to avoid shading by their neighbors with contaminant elaboration of root architecture and mechanisms to transport water and nutrients.

Cluster Sampling Method

Cluster Sampling Method

Appropriate sampling methods ensure that samples are drawn without bias and accurately represent the population. Because measuring the entire population in a study is not practical, researchers use samples to represent the population of interest.
To choose a cluster sample, divide the population into clusters (groups) and then randomly select some of the clusters. All the members from these clusters are in the cluster sample. For example, if you randomly sample four departments from your...

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por

Same author

Efficient chemical reprogramming of human T cells into functional megakaryocytes and platelets.

Science advances·2026

Same author

Laboratory frailty index and in-hospital mortality in ARDS: A retrospective cohort study.

Medicine·2026

Same author

Simulation Study of Enhancement-Mode <i>β</i>-Ga<sub>2</sub>O<sub>3</sub> MOSFETs on a Novel P-Ga<sub>2</sub>O<sub>3</sub>/AlN/SiC Substrate.

Micromachines·2026

Same author

Clinical Outcomes and Safety of Ureteral Catheter-Assisted Antegrade Guidewire Intubation in the Laparoscopic-Endoscopic Rendezvous Procedure for Cholelithiasis with Choledocholithiasis: A Retrospective Cohort Study.

Therapeutics and clinical risk management·2026

Same author

Exploiting human fucosyltransferase 8 allostery with a covalent inhibitor for core fucosylation suppression.

Nature communications·2026

Same author

Pre-stimulus alpha power modulates trial-by-trial variability in theta rhythmic multisensory entrainment strength and theta-induced memory effect.

Communications psychology·2026

Search research articles

Video Experimental Relacionado

Updated: Jan 8, 2026

Cereal Crop Ear Counting in Field Conditions Using Zenithal RGB Images

Cereal Crop Ear Counting in Field Conditions Using Zenithal RGB Images

Published on: February 2, 2019

LKNet: Mejora de la precisión del recuento de panículas de arroz con un marco optimizado basado en puntos

Ziqiu Li^1,2, Weiyuan Hong¹, Xiangqian Feng^1,3

¹State Key Laboratory of Rice Biology and Breeding, China National Rice Research Institute, Chinese Academy of Agricultural Sciences, Hangzhou, 310006, Zhejiang, China.

Plant phenomics (Washington, D.C.)

|December 19, 2025

Resumen

LKNet mejora el recuento de panículas de arroz utilizando un enfoque basado en la ubicación, lo que aumenta la precisión en la mejora del arroz. Este novedoso modelo supera las limitaciones de los métodos anteriores para diversos tipos de panículas y etapas de crecimiento.

Palabras clave:

Modelo basado en la ubicación Recuento de panículas Arroz UAV

Más Videos Relacionados

Collecting and Processing Drone-based Remotely Sensed Data for Use in Forest Recovery Monitoring

Collecting and Processing Drone-based Remotely Sensed Data for Use in Forest Recovery Monitoring

Published on: October 24, 2025

Leaf Area Index Estimation Using Three Distinct Methods in Pure Deciduous Stands

Leaf Area Index Estimation Using Three Distinct Methods in Pure Deciduous Stands

Published on: August 29, 2019

Videos de Experimentos Relacionados

Last Updated: Jan 8, 2026

Cereal Crop Ear Counting in Field Conditions Using Zenithal RGB Images

Cereal Crop Ear Counting in Field Conditions Using Zenithal RGB Images

Published on: February 2, 2019

Collecting and Processing Drone-based Remotely Sensed Data for Use in Forest Recovery Monitoring

Collecting and Processing Drone-based Remotely Sensed Data for Use in Forest Recovery Monitoring

Published on: October 24, 2025

Leaf Area Index Estimation Using Three Distinct Methods in Pure Deciduous Stands

Leaf Area Index Estimation Using Three Distinct Methods in Pure Deciduous Stands

Published on: August 29, 2019

Área de la Ciencia:

Ciencia Agrícola
Visión por Computadora
Aprendizaje Automático

Sus antecedentes:

Los métodos basados en la ubicación para el recuento de panículas de arroz a menudo se subestiman en comparación con las técnicas basadas en la detección.
Las arquitecturas de modelos existentes limitan el potencial completo del recuento de panículas de arroz basado en la ubicación.
El recuento preciso de panículas es crucial para los programas de mejora del arroz.

Objetivo del estudio:

Presentar LKNet, un innovador modelo basado en la ubicación para mejorar el recuento de panículas de arroz.
Mejorar el rendimiento del recuento de panículas en diversas variedades de arroz y etapas de crecimiento.
Abordar las limitaciones de las arquitecturas de modelos actuales en el recuento basado en la ubicación.

Principales métodos:

Desarrolló LKNet basándose en el marco basado en la ubicación P2Pnet.
Reconstruyó la función de pérdida de localización como una distribución de probabilidad predictiva para minimizar la influencia del etiquetado manual.
Implementó la adaptación dinámica del campo receptivo utilizando bloques de convolución de gran kernel para diversos tipos de panículas.

Principales resultados:

Logró un rendimiento de última generación en el conjunto de datos Diverse Rice Panicle Detection.
Demostró una adaptación eficaz de las variaciones morfológicas de las panículas en un conjunto de datos personalizado, con valores de R² de 0,903 a 0,989.
Validó el rendimiento de LKNet en varios conjuntos de datos de tareas de recuento disponibles públicamente.

Conclusiones:

LKNet mejora significativamente la precisión del recuento de panículas de arroz basado en la ubicación.
La adaptabilidad del modelo lo hace adecuado para diversos tipos de panículas y etapas de crecimiento.
LKNet muestra un gran potencial para su aplicación en programas de agricultura de precisión y mejora del arroz.