一种新的深度学习方法,用于实地-道路语义细分
1School of Information Engineering, Zhoukou Polytechnic, Zhoukou, 466000, China.
Scientific reports
|July 2, 2025
概括
本研究介绍了一个AI深度学习框架,用于使用全球导航卫星系统 (GNSS) 数据自动细分野外道路轨迹. 该模型准确地区分了农业机械操作,提高了精确农业管理.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 精确监控农业机械操作对于智能农业至关重要.
- 区分现场和道路轨迹对于分析运营模式和成本至关重要.
- 现有的方法难以应对现场道路数据固有的空间变化.
研究的目的:
- 使用GNSS数据开发一个深度学习框架,用于使用GNSS数据进行自动野外道路细分.
- 为了提高农业机械操作监控的准确性.
- 改进农业中精密机械化管理和成本分析.
主要方法:
- 一个新的语义细分模型,整合了变压器和语义技术.
- 一个先进的语义编码器,生成先前的地图和面具功能.
- 一个轻量级的升级采样机制和语义特征金字塔网络 (FPN) 解码器.
- 一个按像素加权的交叉损失函数,以解决类不平衡.
主要成果:
- 人工智能模型在细分野外道路轨迹方面取得了高性能.
- 整个欧盟的平均交叉点 (mIoU) 达到了92.46%.
- 在一个由6,380张GNSS轨迹图像组成的数据集上,F1得分达到92.65%.
结论:
- 拟议的深度学习框架有效地细分了野外道路轨迹.
- 这项技术对精细的现场运营成本分析做出了重大贡献.
- 该研究推进了精密机械化管理和农业智能.


