适应空间通道功能融合和自我校准的卷积为早期的玉米苗,在无人机图像中计数

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 准确的作物植物计数对于农业应用,如产量预测和田间管理至关重要.
• 传统的计数方法是劳动密集型的,容易出现错误.
• 无人驾驶飞行器 (UAV) 图像提供了潜力,但面临着各种高度影响图像质量和幼苗检测准确性的挑战.

研究的目的:

• 开发一种先进的深度学习方法,RC-Dino,用于精确地从无人机图像中计算早期玉米苗.
• 为了解决图像质量问题,并提高在可变的UAV高度下检测幼苗的准确性.

主要方法:

• 开发了RC-Dino,这是一个基于DINO的深度学习模型,结合了新的自校准卷积层 (RSCconv) 和自适应空间特征融合模块 (ASCFF).
• RSCconv对空间特征进行校准,以更好地代表幼苗,而ASCFF则适应性地融合多层特征,以提高可区分性.
• 员工转移学习,使用预训练的权重来实现更快的融合和更高的准确性;在早期玉米种植数据集 (EMSD) 上得到验证.

主要成果:

• 在EMSD数据集上,RC-Dino显著优于现有的模型 (DINO,更快的R-CNN,RetinaNet,YOLOX,可变形DETR).
• 与DINO模型相比,实现了16.29%更高的平均精度 (AP) 和8.19%更高的回忆.
• 在RSCconv和ASCFF被整合到其他框架中时,证明了较优的确定系数 (R2) 值和更高的检测准确性.

结论:

• RC-Dino提供了一个强大而准确的解决方案,用于使用无人机图像进行早期玉米苗种计数.
• 新的RSCconv和ASCFF组件有效地提高了幼苗检测和计数精度.
• 该方法非常适合实际的现场应用,并通过公开可用的代码促进进一步的研究.