BiSeNeXt:複雑なシーンの改善されたBiSeNetV2に基づくヤム葉と病気のセグメンテーション方法
Bibo Lu1, Yanjun Lu1, Di Liang1
1School of Computer Science and Technology, Henan Polytechnic University, Jiaozuo, China.
Frontiers in plant science
|August 21, 2025
まとめ
この研究では,ヤム葉の病変のセグメンテーションのためのBiSeNeXtを導入し,複雑な環境で高い精度を達成しました. この方法は葉と病原点を効率的に分割し,作物の収穫分析を改善します.
科学分野:
- 農業科学
- コンピュータ・ビジョン
- 植物病理学
背景:
- ヤムの品質と収穫は葉の病気によって大きく影響され,正確なモニタリングが必要になります.
- ヤム葉の病変の分断に関する現在の研究は限られており,重複する葉,不均一な照明,不規則な病変のスポットなどの課題に直面しています.
- ヤム栽培の病気の特定と管理に 精密なセグメンテーションが不可欠です
研究 の 目的:
- ヤム葉病のセグメンテーションのための最初のデータセットを開発する.
- 複雑な環境での精度向上のために,強化されたセグメンテーション方法,BiSeNeXtを提案する.
- ヤム葉の健康と病気を分析するための 堅固な基盤を提供するためです
主な方法:
- 最初のヤム葉病のセグメンテーションデータセットを導入しました.
- BiSeNetV2に基づく強化セグメンテーション方法であるBiSeNeXtを開発しました.
- 組み込みのダイナミック・フィーチャー・エキストラクション・ブロック (DFEB) とダイナミック・レセプティブ・フィールド・コンボリューション (DRFConv) とピクセル・シャッフル (PixelShuffle) で,精密なエッジ検出が可能.
- 病変粘着に対処するために,効率的な非対称マルチスケールアテンション (EAMA) を利用した.
- セグメンテーション予測の適応的な精細化のためにPointRefineデコーダーを使用しています.
主要な成果:
- 葉のセグメント化では97.04%のインターセクションオーバーユニオン (IoU) と,病気のセグメント化では84.75%のIoUを達成しました.
- DeepLabV3+と比較して,葉のセグメンテーションで2. 22%,病気のセグメンテーションで5. 58%の改善です.
- DeepLabV3+と比較して,FLOPの11.81%とパラメータの7.81%のみを必要とする,著しく低い計算コストを実証した.
結論:
- BiSeNeXtは 葉の斑点を複雑に細分化します
- 提案された方法はヤム病の分析と管理に 重要な進歩をもたらします
- この研究は,農業画像分析のさらなる研究のための強力な基盤を確立します.
