FIDMT-GhostNet:用于计数小麦的轻量级密度估计模型

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:

• 小麦生产对于全球粮食安全和经济稳定至关重要.
• 准确的小麦计数对于农业管理,产量预测和资源分配至关重要.
• 现有的深度学习方法面临的挑战是由于复杂的背景,密集和小小麦的目标.

研究的目的:

• 开发一种自动定位和计数方法,能够应对现场复杂性.
• 提高小麦计数的准确性和效率,以获得更好的农业洞察力.

主要方法:

• 提出了FIDMT-GhostNet,这是一个使用GhostNet进行多规模特征提取的轻量级网络.
• 集成的FIDMT (焦点反向距离转换图) 以提高密集的小麦穗的精度.
• 引入了密集的上样卷积,以增强小小麦目标的特征提取.
• 实施了本地最大值检测策略,以处理背景噪声和干扰.

主要成果:

• FIDMT-GhostNet模型实现了0.9145.5的小麦耳计数精度.
• 该模型有842万个参数,表明了效率.
• 在WEC,WEDD和GWHD数据集上的实验验证实了该模型的有效性.

结论:

• FIDMT-GhostNet模型在自动计数小麦耳朵方面表现出强的性能.
• 这种方法为精准农业和作物监测带来了重大进步.
• 该模型的准确性和效率有助于更可靠的产量预测和管理.