SGR-YOLO:一种检测野生大米种子发芽率的方法

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 生物技术是生物技术.

背景情况:

• 种子发芽率是种子质量和种植潜力的关键指标.
• 目前用于检测种子发芽率的方法可能是低效的,缺乏自动化.
• 野生大米种子质量评估需要准确和快速的检测技术.

研究的目的:

• 开发和评估一种新的深度学习模型,用于自动化和高效地检测野生大米种子发芽率.
• 提高评估关键发芽参数的准确性和速度,例如发芽率,潜力,指数和平均发芽日.
• 使用先进的计算方法,为快速检测作物种子发芽率提供参考.

主要方法:

• 开发SGR-YOLO模型,用于对象检测的深度学习架构.
• 在脊柱和子中的双向特征金字塔网络 (BiFPN) 中集成高效通道注意力 (ECA).
• 在预测部分以优化权重系数的损失函数的形式使用通用交叉路口 (GIOU).
• 在水培盒和培养皿中对野生大米种子进行模型测试.

主要成果:

• 该SGR-YOLO模型在区分野生大米种子发芽方面取得了很高的准确性:在水培盒中94%,在培养皿中98.2%.
• 与手册统计数据相比,在发芽潜力 (0.4-0.5%),发芽指数 (0.5-2.2),和平均发芽日 (0.24-0.9天) 中观察到较低的误差.
• 该模型展示了对多个发芽指标的快速和准确检测能力.

结论:

• 该SGR-YOLO模型能够有效地快速准确地检测野生大米种子发芽率,发芽潜力,发芽指数和平均发芽日.
• 这种深度学习方法比传统的种子质量评估方法有了显著的进步.
• 在农业中,SGR-YOLO模型作为开发自动化种子发芽检测系统的宝贵参考.