视觉Mamba UNet融合多尺度的注意力和细节注入对于不健全的玉米粒细分的细分
Kuibin Zhao1, Qinghui Zhang2, Chenxia Wan1
1College of Information Science and Engineering, Henan University of Technology, Zhengzhou, 450001, China.
Scientific reports
|March 29, 2025
概括
VMUnet-MSADI使用新的框架增强了玉米核细分,达到95.96%的准确性. 这种方法通过准确识别玉米种子来改进农业机器人,提高效率和环境可持续性.
科学领域:
- 计算机视觉 计算机视觉
- 农业机器人农业机器人
- 机器学习 机器学习
背景情况:
- 玉米种子育种是一个全球性的挑战,需要有效的识别和分类.
- 现有的细分方法在边缘连续性和细节方面扎.
- 自主机器人为环保农业和节省劳动力提供了潜力.
研究的目的:
- 开发一种用于玉米种子图像细分的先进框架.
- 提高农业应用的玉米核识别的准确性和效率.
- 解决现有细分模型在边缘保护和细节提取方面的局限性.
主要方法:
- 拟议的VMUnet-MSADI框架将MSADI模块集成到VMUnet架构中.
- 使用了自我注意,多尺度编码,视觉状态空间 (VSS) 块和细节输入块 (DIB).
- 采用多尺度卷积注意力和深度卷积解码器,以在不同的语义尺度上提取特征.
主要成果:
- 在玉米核细分任务中实现了95.96%的细分精度.
- 在精度和损失指标上表现优于领先的方法,超过了0.9%,并显示出卓越的性能.
- 通过对开源和基准数据集的全面实验验证实有效性.
结论:
- VMUnet-MSADI显著提高了玉米核细分的质量和准确性.
- 该模型有效地捕捉了非本地依赖性和上下文关系,以便更好地细分.
- 拟议的框架为农业机器人和精准农业提供了强大的解决方案.
