深度学习的应用用于实时检测,定位和计数恶性侵入性杂草Solanum rostratum Dunal Dunal的应用
Shifeng Du1, Yashuai Yang1, Hongbo Yuan1
1College of Mechanical and Electrical Engineering, Hebei Agricultural University, Baoding, China.
Frontiers in plant science
|February 13, 2025
概括
一个新的深度学习模型,TrackSolanum,准确地检测,定位和实时计算入侵的银叶夜影 (Solanum rostratum). 这项技术有助于评估其传播和管理这种有害的农业杂草.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 生态生态学 生态生态学
背景情况:
- 银叶夜影 (Solanum rostratum) 是一种全球侵袭性杂草,威胁着农业和生态系统.
- 有效的监测对于管理其传播和影响至关重要.
研究的目的:
- 开发和评估一个深度学习模型,用于实时检测,定位和计算银叶夜影.
- 为危害评估和精确管理这种入侵物种提供技术解决方案.
主要方法:
- 一个深度学习网络,TrackSolanum,设计了四个模块:检测 (YOLO_EAND),跟踪 (DeepSort),定位 (质量中心) 和计数 (目标ID在线无效).
- 现场测试使用不同高度 (2米和3米) 的无人机 (UAV) 视频录像进行.
主要成果:
- 在2米高度,TrackSolanum实现了高精度 (0.950) 和回忆 (0.970),低计数误差率为2.438%.
- 在3米高度,该模型表现出强的性能,精度为 (0.846),召回 (0.934),计数错误率为4.634%,运行在高FPS的79.
- 该模型支持实时检测和计数,这对于快速响应至关重要.
结论:
- TrackSolanum有效地支持实时检测,定位和计算银叶夜影.
- 开发的模型为危险评估和精确的管理策略提供了重要的技术支持,以对抗这种侵入性杂草.
