利用2D神经网络框架进行3D细分通过深度地图分析收获的野生蓝 (Vaccinium angustifolium Ait.)
Connor C Mullins1, Travis J Esau1, Qamar U Zaman1
1Department of Engineering, Faculty of Agriculture, Dalhousie University, Truro, NS B2N 5E3, Canada.
Journal of imaging
|December 27, 2024
概括
YOLOv8n-seg模型为精密农业提供高效的3D图像细分,在速度和准确性方面超过其他模型. 这一进步有助于更好地预测野生蓝的产量和资源管理.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 精准农业 精准农业 精准农业
背景情况:
- 准确的3D图像细分对于农业应用至关重要.
- 现有的方法往往缺乏实时分析的效率或精度.
- 野生蓝收获对自动监控提出了独特的挑战.
研究的目的:
- 引入和评估一种新的神经网络方法,用于使用二维深度图片进行3D图像细分.
- 为了比较YOLOv8和Detectron2框架对野生蓝进行细分的性能.
- 确定准确农业中实时3D细分的最佳模型.
主要方法:
- 利用飞行时间和RGB摄像头捕捉蓝的3D和RGB图像.
- 应用神经网络模型,特别是YOLOv8 (YOLOv8n-seg) 和Detectron2,用于图像细分.
- 进行统计分析 (ANOVA,Tukey's HSD) 以验证深度地图与RGB图像上的细分性能.
主要成果:
- 与Detectron2 (>57 ms) 相比,YOLOv8n-seg实现了更高的处理效率 (18.10 ms).
- YOLOv8模型表现出高性能,平均IOU为0.944和MCC为0.957.
- 来自YOLO模型的细分面具显示出比Detectron2.2更光滑,更准确的边界.
- 深度地图细分显著优于RGB图像细分 (p < 0.001).
结论:
- 推YOLOv8n-seg用于精密农业中的实时3D细分.
- 开发的方法增强了体积估计,产量预测和资源管理.
- 这项研究为自动化农业监测系统提供了宝贵的见解.
