对大豆叶检测适应性和一般性标签方法的比较分析
Yuseok Jeong1,2, Song Lim Kim3, Thanh Tuan Thai4,5,6
1Department of Agricultural Engineering, National Institute of Agricultural Sciences, Rural Development Administration (RDA), Jeonju, Republic of Korea.
Frontiers in plant science
|July 1, 2025
概括
选择正确的标签方法可以显著改善基于人工智能 (AI) 的大豆叶检测. 对于密集的大豆品种,上下文意识的标签更好,而一般标签则适用于间隔的叶子.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 豆种植对营养,经济和工业至关重要.
- 精准农业依赖于精确的大豆生长分析.
- 有效的叶子检测是监测大豆发育的关键.
研究的目的:
- 评估不同标签方法对基于人工智能的大豆叶检测的影响.
- 为了比较传统的一般标签与新的上下文意识的标签技术.
- 确定各种大豆品种的最佳标签策略.
主要方法:
- 使用高分辨率大豆图像训练了一个YOLOv5L深度学习模型.
- 实施和比较一个一般的标签方法.
- 实施并比较了包含叶子长度和底端的上下文感知标签方法.
主要成果:
- 一般标签对大豆品种更有效,具有更宽的内部节点和分离的叶子.
- 环境意识的标签优于中等大豆品种的一般标签,这些大豆品种具有更窄,重叠的叶子.
- 标签策略显著影响AI检测性能.
结论:
- 优化标签策略可以提高基于人工智能的大豆生长分析的准确性和效率.
- 对特定的大豆生长模式而言,上下文识别标签提供了优势.
- 改进的人工智能检测支持更好的作物监测和产量预测在高吞吐量表型化.
更多相关视频
06:11Author Spotlight: Improved Methods for Preparing Transverse Sections and Unrolled Whole Mounts of Maize Leaf Primordia for Fluorescence and Confocal Imaging
Published on: September 22, 2023
3.5K
08:14LeafJ: An ImageJ Plugin for Semi-automated Leaf Shape Measurement
Published on: January 21, 2013
28.7K
