GEFA-YOLO: Detección ligera de malezas con atención de fusión mejorada por grupo

Área de la Ciencia:

• Ciencia Agrícola
• Visión por Computadora
• Aprendizaje Automático

Sus antecedentes:

• El manejo de malezas en el algodón es crucial para el rendimiento y la calidad.
• Los modelos existentes de detección de malezas enfrentan desafíos con morfologías complejas de malezas y factores ambientales.
• Los mecanismos de atención actuales en los modelos tienen limitaciones para equilibrar el rendimiento y el costo computacional.

Objetivo del estudio:

• Desarrollar un modelo de detección de malezas eficiente y preciso para campos de algodón.
• Abordar las limitaciones de los mecanismos de atención existentes en los modelos de visión por computadora para la agricultura.
• Proponer un mecanismo de atención novedoso que reduce la complejidad y mejora la expresión de características.

Principales métodos:

• Se propuso un mecanismo de atención de fusión mejorada agrupada (GEFA) que combina convolución agrupada y atención espacial local.
• Se desarrolló el modelo de detección GEFAY que integra el mecanismo GEFA.
• Se evaluó el modelo en los conjuntos de datos CottonWeedDet12, VOC y COCO.

Principales resultados:

• El modelo GEFAY logró un buen equilibrio entre eficiencia, precisión y complejidad.
• GEFA demostró un menor aumento en parámetros y costos computacionales en comparación con los métodos de atención clásicos.
• El modelo mejoró significativamente la precisión de la detección, haciéndolo adecuado para la implementación en dispositivos de borde.

Conclusiones:

• El mecanismo GEFA mejora eficazmente la expresión de características al tiempo que reduce la carga computacional.
• El modelo GEFAY ofrece una solución práctica y escalable para la detección inteligente de malezas en la agricultura de precisión.
• El sistema desarrollado proporciona capacidades de detección de malezas en tiempo real para dispositivos de borde, apoyando las aplicaciones de agricultura inteligente.