YOLO-RSTS: un modelo preciso de segmentación para detectar regiones de pulverización de conservantes y estimulantes...

Área de la Ciencia:

• Visión por Computadora
• Tecnología Agrícola
• Aprendizaje Automático

Sus antecedentes:

• La pulverización manual tradicional para el rendimiento del látex del caucho es ineficiente y no es adecuada para plantaciones a gran escala.
• Los modelos de segmentación existentes tienen dificultades con las texturas complejas de la corteza y la iluminación variable, lo que lleva a límites de pulverización inexactos.

Objetivo del estudio:

• Desarrollar un modelo de segmentación mejorado, YOLO-RSTS, para la identificación precisa de regiones de pulverización de conservantes y estimulantes en árboles de caucho.
• Mejorar la eficiencia y precisión de los sistemas de pulverización autónoma en plantaciones de caucho.

Principales métodos:

• Se propuso el modelo YOLO-RSTS basado en el marco YOLOv12n-Seg con los nuevos módulos CrossScaleDSC, CG-Attention y C2f-DSC.
• Se incorporaron RFCAConv y DWConv en la columna vertebral y la cabeza para mejorar la diversidad espacial y la representación contextual.
• Se entrenó y evaluó el modelo en un conjunto de datos autoconstruido.

Principales resultados:

• YOLO-RSTS logró mejoras significativas sobre YOLOv12n: +6.3% de Precisión, +6.3% de mAP0.50, +8.1% de Recall.
• Reducción del 14.5% en el recuento de parámetros en comparación con YOLOv12n.
• Superó a YOLOv13n con un +7.5% de mAP0.50 y un +9.2% de puntuación F1.

Conclusiones:

• YOLO-RSTS ofrece una solución eficaz y eficiente para la pulverización autónoma basada en la visión en plantaciones de caucho.
• El modelo propuesto demuestra un potencial significativo para avanzar en la gestión inteligente de plantaciones de caucho y mejorar el rendimiento del látex.