轻量级深度神经网络用于在复杂的田间环境中检测和提取小麦
Xin Xu1, Haiyang Zhang1, Jiangchuan Lu1
1College of Information and Management Science, Henan Agricultural University, Zhengzhou, 450002, China.
Plant methods
|August 23, 2025
概括
准确的小麦子计数对于产量预测至关重要. 一个新的YOLOv9-LDS模型增强了尖轮提取和差异化,在复杂的现场条件下提高了精度.
科学领域:
- 农业科学
- 计算机视觉
- 植物现象学
背景情况:
- 精确估计小麦子数量对于产量组合分析至关重要.
- 由于复杂的田间背景和重叠结构,精确的尖峰轮提取和颗粒和尖端表面之间的区别是具有挑战性的.
研究的目的:
- 开发一个增强的对象检测框架,用于精确的小麦细分和表型.
- 在具有挑战性的现场条件下提高尖轮提取和尖分化的准确性.
主要方法:
- 提出了使用轻量级深度可分离网络 (LDSNet) 的增强型YOLOv9-LDS多尺度物体检测框架.
- 整合了高效局部注意 (ELA) 模块和双路特征融合,以增强特征表示和边缘纹理响应.
- 优化了与Scylla交叉对联盟 (SIoU) 的损失函数,并添加了高分辨率的小物体检测层.
主要成果:
- 在独立测试组中实现了83.9%的轮整体识别率和92.4%的mAP@0.5,超过了基线.
- LDSNet与ELA的整合减少了27.6%的假阳性,而增强的损失函数则提高了小物体的回忆率19.4%.
结论:
- 拟议的框架在复杂的现场场景中表现出卓越的性能,克服了检测重叠尖峰的局限性.
- 这种方法可实现精确的尖端表型,并支持用于作物现象学的智能尖端计数系统.
