代优化注释管道和ALSS-YOLO-Seg用于无人机图像中的高效香种植区分
Ang He1,2, Ximei Wu1,2, Xing Xu3,4
1Guangdong University of Technology, Guangzhou Higher Education Mega Centre, Guangzhou, China.
Frontiers in plant science
|January 24, 2025
概括
本研究介绍了一种有效的方法,用于使用无人机 (UAV) 图像对香种植园进行细分. 新方法显著减少了注释时间,并提高了作物细分的准确性,以更好地估计产量.
科学领域:
- 计算机视觉 计算机视觉
- 农业技术 农业技术
- 遥感 遥感 遥感 遥感
背景情况:
- 精确的图像细分对于香种植园管理至关重要,包括作物产量估计和健康评估.
- 手动图像注释是耗时和劳动密集型的,阻碍了创建大型数据集.
- 挑战包括不同的目标大小,复杂的背景和有限的计算资源.
研究的目的:
- 开发一种高效和自动化的解决方案,用于对无人机捕获的香种植园图像进行细分.
- 为了减少与创建高质量的注释数据集相关的手工工作和成本.
- 在具有挑战性的农业环境中提高作物识别和细分的准确性.
主要方法:
- 一个代的注释管道,使用SAM2的零射击功能来快速,高质量的数据标签.
- 开发ALSS-YOLO-Seg,一种轻量级分段模型,采用适应式轻量级通道分割和混合 (ALSS) 模块.
- 集成多尺度通道注意 (MSCA) 模块,以处理目标大小和背景复杂性的变化.
主要成果:
- 代注释管道显著减少了手动注释时间,同时产生了高质量的细分.
- SAM2在基准数据集上展示了有效的零射击细分性能.
- 在一个定制的香种植区分数据集上,ALSS-YOLO-Seg实现了最先进的性能.
结论:
- 拟议的注释管道和ALSS-YOLO-Seg模型为基于无人机的香种植区分提供了有效和准确的解决方案.
- 这种方法促进了大规模数据集的创建,并增强了精准农业的应用.
- 开源代码使农业计算机视觉领域的进一步研究和开发成为可能.
