LGWheatNet:一个基于多尺度信息融合的轻量级小麦尖峰检测模型
Zhaomei Qiu1, Fei Wang1, Tingting Li1
1College of Agricultural Equipment Engineering, Henan University of Science and Technology, Luoyang 471000, China.
Plants (Basel, Switzerland)
|April 12, 2025
概括
本研究介绍了LGWheatNet,这是一种用于有效检测和计数小麦峰值的新型深度学习模型. 它以显著更少的资源实现了高精度,超过了精准农业的现有方法.
科学领域:
- 计算机视觉 计算机视觉
- 农业技术 农业技术
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 准确检测小麦峰对于高效的作物管理和精准农业至关重要.
- 现有的方法经常在资源限制和准确性方面扎,特别是在复杂的现场条件下.
- 需要轻量级,高性能模型来实时监控农业.
研究的目的:
- 为资源有限的环境开发一个准确和高效的小麦尖峰检测网络.
- 为了提高小麦的计数准确度,跨越各种生长阶段.
- 引入适用于农业成像的创新轻量级物体检测方法.
主要方法:
- 开发了一个新的网络模块SeCUIB,集成MobileNet和ShuffleNet.
- 拟议的LGWheatNet,其中包括DWDown,SPPF和LightDetect模块.
- 在多个生长阶段利用定制的小麦数据集.
- 在大规模图像处理中采用了切片辅助超推理策略.
主要成果:
- LGWheatNet实现了高性能:精度 (0.956),回忆 (0.921),mAP50 (0.967),mAP50-95 (0.747) 等等.
- 经过 1.7M 参数和 5.0 GFLOPs 证明了卓越的资源效率.
- 在检测准确性和资源使用方面表现优于YOLO,EfficientDet和RetinaNet.
- 通过切片辅助超推理显著改善了小目标和边缘区域的检测.
- 在小麦尖计数方面表现出色,特别是在填充和成熟阶段.
结论:
- LGWheatNet提供了一种高效可靠的解决方案,用于检测和计数小麦.
- 拟议的轻量级架构和推断策略适用于资源有限的农业应用.
- 这项工作推进了用于精密农业的物体检测技术,特别是使用无人机捕获的数据.


