CGA-ASNet:一个RGB-D模态细分网络,用于恢复被封闭的番茄地区
Zhaoyang Li1, Yong Yin1, Zhihong Xing1
1College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang, China.
Frontiers in plant science
|October 9, 2025
概括
这项研究介绍了CGA-ASNet,一个RGB-D模态细分网络,以准确捕捉番茄果的形态,尽管遮蔽. 对合成数据的培训有效地提高了现实世界的表型准确性.
科学领域:
- 计算机视觉 计算机视觉
- 农业技术 农业技术
- 植物科学 植物科学
背景情况:
- 准确的西红果形态对于表型研究至关重要.
- 图像中的遮蔽阻碍了深度学习的细分,影响了数据采集.
- 现有的方法在封闭区域中难以完全捕捉形状.
研究的目的:
- 开发一种有效的深度学习模型,用于非破坏性,闭包意识的番茄果实细分.
- 在温室环境中提高番茄表型的准确性.
- 为了解决当前图像细分技术在捕获封闭水果形态方面的局限性.
主要方法:
- 拟议的CGA-ASNet是一个RGB-D模态细分网络,具有上下文和全球注意 (CGA) 模块.
- 使用NVIDIA Isaac Sim构建了一个合成番茄数据集 (Tomato-sim),用于实现现实的模拟.
- 在合成数据上训练网络,并在合成和现实数据集上评估概括,结合平均坐标融合算法.
主要成果:
- 在温室模态细分中,CGA-ASNet取得了高绩效,F@0.75得分为94.2,mIoU为82.4%.
- 模拟了各种不同的照明条件,以隐式地减少合成数据和真实数据之间的域差距.
- 在没有明确的域调整的情况下,证明了从合成数据到现实数据的有效泛化.
结论:
- 在精心设计的合成数据集上训练深度学习模型可以在真实环境中实现精确的闭包意识细分.
- CGA-ASNet提供了一种实际的解决方案,通过克服堵塞挑战来增强温室中的番茄表型.
- 这项研究突出了合成数据生成的潜力,用于强大的农业图像分析.
