从高分辨率图像进行大豆计数和定位的准确和快速实施
Zhenghong Yu1, Yangxu Wang1,2, Jianxiong Ye1,3
1College of Robotics, Guangdong Polytechnic of Science and Technology, Zhuhai, China.
Frontiers in plant science
|March 6, 2024
概括
一个新的深度学习模型,PodNet,有效地计算大豆豆,以提高产量预测. 这种轻量级的模型提供了高精度和速度,使其非常适合实时农业应用.
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:
- 豆数量是作物产量的关键指标.
- 由于密度和分布挑战,现有的模型在准确性和效率方面扎.
研究的目的:
- 开发一个轻量级和高效的深度卷积网络,以准确计数大豆.
- 解决现有模型在实时农业应用中的局限性.
主要方法:
- 设计了PodNet,这是一个具有轻量级编码器和高效解码器的深度卷积网络.
- 利用场上收获的大豆豆的高分辨率数据集进行评估.
主要成果:
- 在豆数量预测中,PodNet获得了0.95的R2.
- 该模型只有2.48M的参数,比最先进的模型少得多.
- 与现有模型相比,PodNet的每秒率 (FPS) 高得多.
结论:
- 波德网提供了显著提高效率与最小的准确性妥协.
- 它的轻量级架构和高FPS使其适合于农业实时密集物体计数.
