IV-YOLO: un método de fusión progresiva basado en vórtices de información para la detección precisa de arroz

Área de la Ciencia:

• Ingeniería Agrícola
• Visión por Computadora
• Teledetección

Sus antecedentes:

• La teledetección con drones en la agricultura de precisión enfrenta desafíos con las características de las plantas de arroz adheridas y la interferencia del fondo.
• Los modelos tradicionales tienen dificultades con la detección a nivel de planta individual debido a estas complejidades de imagen.

Objetivo del estudio:

• Desarrollar un modelo avanzado de aprendizaje profundo para la detección precisa de plantas de arroz individuales.
• Superar las limitaciones de los modelos existentes en el manejo de la adhesión de características y el desorden del fondo en imágenes de drones.

Principales métodos:

• Se propuso un modelo YOLO de fusión progresiva basado en vórtices de información (IV-YOLO).
• Se introdujo un módulo de Vórtice de Información Espiral Multiescala (MSIV) para la separación de características y el desacoplamiento del fondo.
• Se construyó un Cuello de Fusión Gradual de Características (GFEN) para una representación de características efectiva.

Principales resultados:

• El modelo IV-YOLO logró una Precisión de 0.8581 en el conjunto de datos DRPD.
• Superó a YOLOv5-YOLOv11 y FRPNet en todas las métricas evaluadas.
• Demostró un rendimiento superior en la separación de características adheridas y la reducción de la interferencia de fondo.

Conclusiones:

• IV-YOLO ofrece una solución técnica robusta para el monitoreo de plantas de arroz individuales.
• El modelo facilita la implementación a gran escala de la agricultura de precisión a través de una detección precisa.
• Los módulos desarrollados abordan eficazmente los desafíos en la teledetección agrícola basada en drones.