相关实验视频
Updated: May 13, 2025
08:02
Robotic Sensing and Stimuli Provision for Guided Plant Growth
Published on: July 1, 2019
7.9K
强大的大豆种子产量估计使用高通量地面机器人视频
Jiale Feng1, Samuel W Blair2, Timilehin T Ayanlade3
1Department of Computer Science, Iowa State University, Ames, IA, United States.
Frontiers in plant science
|April 15, 2025
概括
我们开发了一种新的计算机视觉和深度学习方法来估计大豆产量. 这种方法使用高通量种子计数,大大减少了数据收集时间和育种计划的成本.
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:
- 传统的大豆产量数据收集是劳动密集的,昂贵的,容易出现设备故障.
- 计算机视觉提供了一个潜在的解决方案,可以直接从图像中提取详细的产量信息.
研究的目的:
- 通过计算机视觉和深度学习,提出一种新的,高效的大豆产量估计方法.
- 开发一个可扩展的解决方案,用于农业育种计划和提高生产率.
主要方法:
- 利用带有鱼眼相机的地面机器人捕捉大豆情节视频.
- 开发并应用P2PNet-Yield深度学习模型用于种子计数和产量回归.
- 集成的鱼眼图像校正和数据增强,以提高准确性和通用性.
主要成果:
- P2PNet-Yield模型实现了高达83%的基因型排名准确度得分.
- 在收益率数据收集的时间和相关成本方面,已经证明了高达32%的减少.
- 使用两年的产量测试地块数据 (2021年8500个地块,2023年650个地块) 验证了模型.
结论:
- 新的计算机视觉和深度学习方法为大豆产量估计提供了更有效,更准确的方法.
- 这项技术提供了一个可扩展的解决方案,用于增强农业育种计划和整体生产力.
