深度学习模型BiFPN-YOLOv8m用于使用卫星遥感数据在果园中计算树木

科学领域:

• 农业科学 农业科学
• 遥感 遥感 遥感 遥感
• 计算机视觉 计算机视觉

背景情况:

• 果生产在经济上对印度至关重要,需要准确的树木库存来评估产量.
• 传统的树木计数方法是劳动密集的,昂贵的,容易出现错误.
• 卫星遥感为生态和农业参数估计提供了可扩展的解决方案.

研究的目的:

• 开发和评估一种深度学习模型,用于基于图像的高分辨率果树计数.
• 为了比较拟议的双向特征金字塔网络 (BiFPN) -YOLOv8m与各种YOLOv8变体和其他最先进的方法的性能.
• 提高果树库存的准确性和效率,以改善农业规划和作物产量预测.

主要方法:

• 利用了1700次培训和300次测试的数据集 - - 果园的高分辨率卫星图像.
• 实施和评估了多种物体检测模型,包括YOLOv8变体 (YOLOv8n,YOLOv8s,YOLOv8m,YOLOv8l,YOLOv8x),YOLOv9,YOLOv10,以及拟议的BiFPN-YOLOv8m.
• 专注于评估基于计算效率,准确性和树计数速度的模型.

主要成果:

• 拟议的BiFPN-YOLOv8m模型在准确地定位和计数果树方面表现出卓越的性能.
• 该模型取得了最先进的结果,甚至在具有挑战性的环境条件下,也超过了其他评估方法.
• 实验结果强调了该模型在分离和计数果园内的树木方面的有效性.

结论:

• 深度学习,特别是BiFPN-YOLOv8m模型,为基于图像的果树计数提供了高度有效和高效的解决方案.
• 开发的方法大大克服了传统方法的局限性,为生态和农业应用提供了更高的准确性.
• 这项技术为推进果种植的精准农业,环境监测和作物产量预测提供了巨大的前景.