YOLO SSPD:一个基于空间到深度卷积的小目标棉花检测模型,用于在棉花吐期间检测小目标棉花
Mengli Zhang1, Wei Chen2, Pan Gao1
1College of Information Science and Technology, Shihezi University, Shihezi, China.
Frontiers in plant science
|July 5, 2024
概括
使用无人机 (UAV) 进行精确的棉花球检测,通过新的YOLO SSPD方法得到了改进. 这种方法通过增加空中图像中的种子检测精度来提高棉花产量估计.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
背景情况:
- 准确的棉花产量估计在很大程度上依赖于在花期精确检测花.
- 无人驾驶飞行器 (UAV) 为农业监测和植物计数提供了一个具有成本效益和适应性的平台.
研究的目的:
- 开发一种准确的方法来检测低分辨率无人机图像中的小棉花球.
- 通过增强的种子检测,提高棉花产量估计的可靠性.
主要方法:
- 推出了基于YOLO v8框架的转移学习方法YOLO小规模金字塔深度感知检测 (SSPD).
- 集成的空间到深度和无卷积 (SPD-Conv) 带有一个小的目标探测器头.
- 整合了一个无参数的注意力机制 (SimAM),以提高boll检测的准确性.
主要成果:
- 在无人机尺度图像上,YOLO SSPD实现了0.874的球探测精度.
- 该模型显示,对于boll数的确定系数 (R2) 为0.86.
- 实现了根平均平方误差 (RMSE) 的12.38和相对RMSE (RRMSE) 的11.19%的boll数.
结论:
- 在无人机图像中,YOLO SSPD 方法显著提高了棉花球检测准确度.
- 这种方法为高精度棉花监测提供了强大的解决方案.
- 改进的种子检测精度导致更可靠的棉花产量估计,支持农业生产.
