FCA-STNet:从棉花幼苗的图像序列中进行时空生长预测和表型提取
Yiping Wan1,2,3, Bo Han1,2,3, Pengyu Chu1,2,3
1College of Computer and Information Engineering, Xinjiang Agricultural University, Urumqi 830052, China.
Plants (Basel, Switzerland)
|August 14, 2025
概括
这项研究介绍了FCA-STNet,这是一个先进的算法,用于从图像中预测棉花苗的生长. 它增强了时空特征表示和视觉真实性,提高了现场条件的准确性.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 现有的棉花苗种植增长预测方法在野外环境中与时空特征和视觉准确性作斗争.
- 挑战包括功能表现不佳和纹理染精度低.
研究的目的:
- 开发一种改进的算法,从田间环境的图像中预测棉花苗的生长.
- 在增长预测模型中增强时空特征表示和视觉真实性.
主要方法:
- 拟议的FCA-STNet算法利用历史RGB图像进行增长预测.
- 纳入了一个新的STNet结构用于时空依赖和一个自适应细粒度通道注意力 (FCA) 模块.
- FCA模块捕捉全球和本地特征,重点关注单个植物和纹理,以减轻现场干扰.
主要成果:
- 与基线STNet相比,FCA-STNet实现了更好的预测指标 (MSE,MAE,SSIM,PSNR).
- 在实验测试中表现优于几种主流的时空预测模型.
- 预测的表型特征与实际测量有很高的相关性 (系数>0.8).
结论:
- FCA-STNet模型在开放场地条件下提供了视觉现实的棉花苗种生长预测.
- 为诸如照明变化,叶子飞和风力干扰等挑战提供了坚固的解决方案.
- 代表了农业增长预测和表型研究的重大进步.


