基于深度学习和纹理特征的小麦尖粒的细分和计数
Xin Xu1,2, Qing Geng1, Feng Gao2
1College of Information and Management Science, Henan Agricultural University, Zhengzhou, 450002, China.
Plant methods
|August 1, 2023
概括
这项研究引入了用于自动计数小麦粒的深度学习模型,显著提高了对手工方法的准确性. 该CBAM-HRNet模型为高效和智能小麦产量估计提供了一个强大的解决方案.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 手动计数小麦粒是劳动密集型和耗时的.
- 准确的谷物计数对于小麦产量估计至关重要.
- 开发自动化方法对于农业效率至关重要.
研究的目的:
- 开发一种先进的深度学习技术,用于小麦谷物细分和计数.
- 创建一个强大的模型,准确预测小麦谷物计数.
- 为智能小麦产量估计提供算法支持.
主要方法:
- 麦穗的智能手机图像是在谷物填充过程中捕获的.
- 使用卷积块注意模块 (CBAM),深度学习和转移学习构建了一个CBAM-HRNet深度学习模型.
- 图像处理和小麦粒纹理特征被用于细分和计数.
主要成果:
- 该CBAM-HRNet模型实现了高细分精度 (92.04%) 和mIoU (85.21%).
- 针数计数的方法II,在两侧的粒度相加,产生了优异的结果 (R2=0.92,MAE=1.15).
- 该模型与其他细分模型 (如HRNet和U-Net) 相比,表现优越.
结论:
- 该CBAM-HRNet模型有效地对小麦粒进行细分,解决小目标细分的挑战.
- 开发的模型提供了准确和快速的谷物计数预测.
- 这种技术支持高效和智能小麦产量估计.
更多相关视频
09:00Visualization of Failure and the Associated Grain-Scale Mechanical Behavior of Granular Soils under Shear using Synchrotron X-Ray Micro-Tomography
Published on: September 29, 2019
13.4K
06:41Imaging and Analysis for Quantifying Maize (Zea mays) Abiotic Stress Phenotypes
Published on: March 28, 2025
927
