MOSSNet:多尺度和定向的麦尖峰检测和计数无人机图像中的UAV图像
Jianqing Zhao1, Zhiyin Jiao2,3, Jinping Wang2,3
1Key Laboratory for Climate Risk and Urban-Rural Smart Governance, School of Geography, Jiangsu Second Normal University, Nanjing, China.
Frontiers in plant science
|September 15, 2025
概括
准确的峰检测对于作物监测和产量预测至关重要. 一个新的模型,MOSSNet,有效地计算无人机图像中的峰,在复杂的现场条件下超过现有方法.
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:
- 准确检测的峰对于作物监测,产量预测和粮食安全至关重要.
- 深度学习模型提供了更好的准确性,但在无人机图像中与密集,可变的麦尖特征作斗争.
- 挑战包括密集的分布,各种尺寸和空中图像中的复杂背景.
研究的目的:
- 开发一个强大的模型,用于准确检测和计数无人机图像中的小麦.
- 为了增强特征提取小型和可变方向的麦尖.
- 为了提高农业环境中棘分析的效率和准确性.
主要方法:
- 拟用于无人机图像的MOSSNet (多尺度和定向棘探测) 模型.
- 集成的可变形卷积空间注意 (DCSA) 模块用于增强特征捕获.
- 用于形态表示的循环光滑标签 (CSL) 和用于本地化的 Wise IoU 损失.
主要成果:
- 在农场条件下,MOSSNet实现了90.3%的农作物数.
- 在预测尖峰方向方面表现卓越 (RMSEa: 14.6,MAEa: 12.5).
- 在计数准确度方面表现优于一般物体检测算法 (RMSE: 9.3,MAE: 8.1).
结论:
- MOSSNet有效地处理密,封闭和复杂的背景场景,用于检测小麦.
- 该模型显示了农业应用的稳定性和通用性.
- 未来的工作包括在不同增长阶段探索MOSSNet和开发实时检测.
