一个准确的语义细分模型用于豆苗和杂草识别,基于改进的ERFnet网络
Haozhang Gao1,2, Mingyang Qi1, Baoxia Du1,2
1Electrical and Information Engineering College, Jilin Agricultural Science and Technology University, Jilin, 132101, China.
Scientific reports
|May 29, 2024
概括
这项研究介绍了EPAnet,这是一种用于农业中精确除草的新型深度学习模型. 通过先进的语义细分,EPAnet准确地将作物与杂草区分开来,提高作物产量潜力.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 杂草竞争通过消耗营养和阳光等必需资源,对作物产量产生负面影响.
- 有效的杂草管理对于优化农业生产率和尽量减少作物损失至关重要.
研究的目的:
- 开发一种先进的语义细分模型,以精确区分作物和杂草.
- 在复杂的农业环境中提高杂草检测的准确性和稳定性.
主要方法:
- 拟议的EPAnet模型整合了交叉和子损失功能,以提高特征的注意力.
- 基于ERFnet的多解码器合作模块增强了特征映射和信息传输.
- 使用SimAM和DO-CONV (集成到FDPN) 来分别改进位置识别和功能集成.
主要成果:
- 美国环保署网络实现了显著的性能改进:整体精度增加了0.65%,平均交叉点在欧盟 (mIoU) 增加了1.91%,频率加权交叉点在欧盟 (FWIoU) 增加了1.19%.
- 该模型在具有挑战性的条件下展示了卓越的图像细分能力,包括不均的照明,叶子干扰和阴影.
- 在复杂的自然农业环境中,EPAnet的性能优于现有的先进方法.
结论:
- 通过先进的语义细分,EPAnet提供了一种强大而准确的解决方案,用于通过先进的语义细分来精确地清除杂草.
- 开发的模型有效地解决了农业中复杂的环境因素所带来的挑战.
- 这项技术有可能显著改善杂草管理策略,提高作物产量.
