複雑なフィールド環境でコントールの検出と小麦のピークの抽出のための軽量な深いニューラルネットワーク
Xin Xu1, Haiyang Zhang1, Jiangchuan Lu1
1College of Information and Management Science, Henan Agricultural University, Zhengzhou, 450002, China.
Plant methods
|August 23, 2025
まとめ
小麦のピケレットの正確なカウントは,収穫の予測に不可欠です. 新しいYOLOv9-LDSモデルは,スパイク・コントールの抽出と差異化を強化し,複雑なフィールド条件での精度を向上させます.
科学分野:
- 農業科学
- コンピュータ・ビジョン
- 植物現象学
背景:
- 小麦のスパイケレット数の正確な推定は,収穫量組成の分析に不可欠です.
- 複雑なフィールドの背景と重なり合っている構造のために,精密なスパイクコントールの抽出と穀物とスパイケットの表面の区別は困難です.
研究 の 目的:
- 精密な小麦のスパイクセグメンテーションとフェノタイプ化のための強化されたオブジェクト検出フレームワークを開発する.
- スパイクコントールの抽出と困難なフィールド条件でのスパイケットの差分化の精度を向上させる.
主な方法:
- 軽量な深度分離ネットワーク (LDSNet) のバックボーンを使用した強化されたYOLOv9-LDSマルチスケールオブジェクト検出フレームワークを提案しました.
- 効率的なローカル・アテンション (ELA) モジュールを組み込み,機能表現とエッジ・テクスチャの応答を向上させるためのダブルパスの機能融合.
- Scylla Intersection over Union (SIoU) で損失関数を最適化し,高解像度の小物検出層を追加しました.
主要な成果:
- 独立したテストセットで83. 9%のコントール整合性認識率と92. 4%のmAP@0. 5を達成し,ベースラインを上回りました.
- LDSNetとELAの統合は偽陽性を27.6%削減し,強化された損失関数は小物体のリコールを19.4%改善しました.
結論:
- 提案された枠組みは複雑なフィールドシナリオで優れたパフォーマンスを示し,重複するピークを検出する際の制限を克服しています.
- この方法により,ピークの正確なフェノタイプ化が可能になり,作物現象学アプリケーションのインテリジェントなピークレットカウントシステムをサポートします.
