轻量级的深度学习模型用于高精度的米苗细分从无人机基于多光谱图像的米苗细分
Panli Zhang1, Xiaobo Sun1, Donghui Zhang2
1College of Engineering, Northeast Agricultural University, Harbin 150030, China.
Plant phenomics (Washington, D.C.)
|December 4, 2023
概括
本研究介绍了两种轻量级神经网络,LW-Segnet和LW-Unet,用于精确农业中的精确苗细分. 这些模型在各种水类型和密度中提供了高精度和稳定性,并提高了计算效率.
科学领域:
- 农业工程 农业工程
- 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:
- 精确的苗细分对于精准农业至关重要.
- 现有的方法面临着计算复杂性和在不同品种和密度的稳定性方面的挑战.
研究的目的:
- 开发轻量级的神经网络架构,用于高精度的苗细分.
- 与当前方法相比,提高稳定性和计算效率.
主要方法:
- 提出了两个轻量级的神经网络架构:LW-Segnet和LW-Unet.
- 使用编码器-解码器结构,混合轻量级卷曲和空间金字塔扩展卷曲.
- 经过训练和测试的模型使用无人机 (UAV) 来拍摄的多光谱图像,对三种大米品种和不同密度进行测试.
主要成果:
- 对于幼苗检测和行细分,LW-Segnet和LW-Unet实现了更高的F1分数和交叉与联合 (IoU) 值.
- 在不同大米品种和种植密度中表现出稳定的性能和强大的稳定性.
- 显示较低的GPU内存使用率,复杂性和参数与更快的推理速度,表明更高的计算效率.
结论:
- 拟议的轻量级模型为精准农业中的苗细分提供了有效和高效的解决方案.
- LW-Unet的速度表明了边缘设备和无人机上的实时应用的潜力.
- 结果为设计轻量级深度学习模型提供了见解,以应对复杂的农业挑战.


