优化口罩R-CNN,用于在精准农业中增强米面团检测和细分
Manal El Akrouchi1,2, Manal Mhada1, Dachena Romain Gracia1
1College of Agriculture and Environmental Sciences, University Mohammed VI Polytechnic (UM6P), Ben Guerir, Morocco.
Frontiers in plant science
|June 18, 2025
概括
研究人员开发了一种新的深度学习方法来计数子,改善了农业中自动化产量估计. 这种新的方法提高了这种未充分利用,富含营养的作物的精度.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 昆是一种高度弹性和营养丰富的作物,具有在具有挑战性的环境中种植的巨大潜力.
- 尽管昆有好处,但它仍未得到充分利用,缺乏全面的研究,尤其是自动产量估计技术.
- 目前用于估计麦产量的方法往往不准确,劳动密集型.
研究的目的:
- 引入一种新的深度学习方法,用于准确地检测和计数昆的恐慌.
- 为了提高昆种植的自动产量估计.
- 为人工智能驱动的昆农业研究建立新的基准.
主要方法:
- 使用Mask R-CNN进行实例细分,以精确检测子恐慌.
- 实现了一个EfficientNet-B7骨干和Mish激活功能,用于模型增强.
- 进行了不同骨干架构的比较分析,以确定最佳性能.
主要成果:
- 开发的深度学习模型在检测和细分单个米饼中表现出卓越的性能.
- 与传统方法相比,实例级检测实现了更高的准确性.
- 改进的模型为精确的产量估计提供了显著的进步.
结论:
- 本研究介绍了实例细分的首次应用,用于昆饼分析.
- 先进的深度学习技术显示出改善农业监测和作物管理的巨大潜力.
- 这些发现为未来人工智能驱动的昆种植研究提供了有价值的基准.


