基于UAS的MT-YOLO模型用于检测混合玉米脱中遗漏的
Jiangtao Qi1,2, Chenchen Ding1,3, Ruirui Zhang4
1College of Biological and Agricultural Engineering, Jilin University, Changchun, 130022, China.
Plant methods
|February 19, 2025
概括
准确检测错过的玉米子对于混合种子生产至关重要. 使用深度学习和无人机的新MT-YOLO模型显著提高了检测准确性和效率,有助于保持种子的纯度.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 遗传学 遗传学 是一个
背景情况:
- 保持杂交玉米种子的纯度需要精确的脱.
- 手动拆解是劳动密集型的,容易出现错误.
- 自动检测错过的条是一个未被充分探索的挑战.
研究的目的:
- 开发和评估一个自动化系统来检测丢失的玉米.
- 提高混合种子生产中脱的效率和准确性.
- 为了应对在早期生长阶段检测部分隐藏的的挑战.
主要方法:
- 构建一套全面的玉米图像数据集,考虑农业学因素和各种条件.
- 开发MT-YOLO模型,一个基于深度学习的对象检测系统.
- 使用无人机系统 (UAS) 来获取图像.
主要成果:
- MT-YOLO实现了高检测指标:93.1%的AP,93.3%的精度,91.6%的回忆和92.4%的F1得分.
- MT-YOLO的性能超过了Faster R-CNN,SSD和其他YOLO模型.
- 该模型显示检测速度为124fps,现场测试失误率为9.1%.
结论:
- MT-YOLO模型提供了一种可靠和高效的解决方案,用于自动检测错过的头.
- 这项技术有可能显著提高杂交玉米种子生产中的脱效率.
- 这项研究解决了在具有挑战性的早期生长阶段检测的关键差距.
更多相关视频
07:09A Rapid and Efficient Method for Assessing Pathogenicity of Ustilago maydis on Maize and Teosinte Lines
Published on: January 3, 2014
8.4K
08:36Development of Targeting Induced Local Lesions IN Genomes TILLING Populations in Small Grain Crops by Ethyl Methanesulfonate Mutagenesis
Published on: July 16, 2019
11.6K
