通过增强的SegFormer和多尺度特征集成,推进大米谷物杂质细分
Xiulin Qiu1, Hongzhi Yao2, Qinghua Liu1
1School of Automation, Jiangsu University of Science and Technology, Zhenjiang 212100, China.
Entropy (Basel, Switzerland)
|January 24, 2025
概括
这项研究引入了改进的SegFormer网络,用于在收获期间精确细分大米杂质. 新的算法提高了将米粒与草和叶子区分的准确性,帮助实时监控系统.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 在收获过程中,由于遮和粘附,对米粒与杂质 (草,叶子) 的准确识别是具有挑战性的.
- 现有的方法在复杂的农业环境中难以精确细分.
研究的目的:
- 开发一个轻量级的语义细分算法,以改善在收获大米中的杂质检测.
- 为了提高米粒与污染物区分的准确性和效率.
主要方法:
- 一个改进的SegFormer网络被设计用于轻量级的语义细分.
- 解码器进行了重新设计,将特征金字塔网络 (FPN) 纳入功能融合.
- 引入了部分大型内核注意力 (Part-LKA) 模块和瓶递归门式卷积 (B-gnConv) 模块,以增强功能焦点和空间交互.
主要成果:
- 改进后的模型在对米粒和杂质进行细分时显示出更高的准确性.
- 与原来的SegFormer模型相比,像素精度 (PA) 增加了1.6%,F1得分提高了3.1%.
- 该算法实现了有效的细分,简化了模型并加速了计算.
结论:
- 拟议的轻量级语义细分算法为在米机中实时监测杂质提供了有价值的解决方案.
- 增强的SegFormer网络为农业自动化和质量控制提供了强大的算法参考.
