一个新的数据集和对虫群检测和细分在麦田中的比较研究
Raiyan Rahman1, Christopher Indris1, Goetz Bramesfeld2
1Department of Computer Science, Toronto Metropolitan University, Toronto, ON M5B 2K3, Canada.
Journal of imaging
|May 24, 2024
概括
这项研究引入了一种智能系统,用于检测作物中的虫感染. 语义细分模型,特别是Fast-SCNN,在精确的虫集群评估中被证明比对象检测更有效,使得有针对性的农药应用成为可能.
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:
- 青虫的侵袭会对作物造成重大损害,小麦和的产量也会下降.
- 目前的农药应用效率低且有害,导致浪费和环境问题.
- 需要智能系统来准确地检测和管理虫感染.
研究的目的:
- 开发和评估机器学习模型,用于在农田中检测和细分虫群.
- 为培训和测试这些模型创建一个全面的数据集.
- 为了比较语义细分和对象检测对虫感染评估的有效性.
主要方法:
- 创建了一个大规模的数据集,包含54,742个标注的图像补丁,来自麦田.
- 四个实时语义细分模型和三个对象检测模型进行了训练和评估.
- 性能是根据精度,回忆,mAP和FPS进行评估的.
主要成果:
- 快速SCNN实现了80.46%的平均精度和81.21%的平均回忆率以91.66 FPS进行细分.
- RT-DETR显示出最好的物体检测性能,mAP为61.63%,平均回忆率为92.6%.
- 发现虫集群细分比检测更适合用于感染评估.
结论:
- 语义细分模型,特别是Fast-SCNN,为识别和管理虫感染提供了更有效的解决方案.
- 开发的数据集和模型支持自主,有针对性的害虫管理系统的开发.
- 这种方法可以减少化学杀虫剂的使用,并减轻农业产量损失.
