在基于小麦网的填充和成熟阶段检测小小和定向的小麦
Jianqing Zhao1,2, Yucheng Cai1,2, Suwan Wang1,2
1National Engineering and Technology Center for Information Agriculture, Nanjing Agricultural University, Nanjing 210095, China.
Plant phenomics (Washington, D.C.)
|November 2, 2023
概括
使用人工智能,WheatNet可以准确地检测小麦在不同生长阶段的. 这种先进的深度学习模型通过克服现有的小麦尖峰检测系统的局限性来改善精准农业.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 准确检测小麦尖峰对于精准农业的表型化至关重要.
- 目前的深度学习模型在成长阶段与小麦颜色和形态的动态变化作斗争.
- 现有的小麦探测系统缺乏适应不同生长阶段和田间条件的适应性.
研究的目的:
- 开发一个人工智能模型, WheatNet,用于准确检测小和定向的小麦.
- 提高在填充和成熟阶段检测小麦,解决当前方法的局限性.
- 提高小麦探测系统的适应性和稳定性.
主要方法:
- 麦子网使用转换网络来减轻生长阶段之间的颜色变化.
- 一个检测网络被纳入,以增强小麦尖峰检测能力.
- 新技术包括用于角度分类的圆滑标签和用于小尖峰的微尺度检测层.
- 完整的十字路口超过联盟 (CIoU) 损失被用来提高定位精度和减少背景干扰.
主要成果:
- 与传统的检测方法相比,WheatNet显示出更高的准确性.
- 在填充阶段检测小麦的平均精度为90.1%.
- 在成熟阶段检测小麦的平均精度为88.6%.
结论:
- WheatNet提供了一种强大而准确的解决方案,用于从填充到成熟阶段检测小麦.
- 该模型适应不同生长阶段的适应性及其检测小,定向尖峰的能力使其在精密农业中具有价值.
- WheatNet代表了使用人工智能和无人机图像的自动小麦表型化的重大进步.
