基于无人机图像和改进的YOLOv5s的烟草苗种植器的错过移植率评估方法
Frontiers in plant science
|October 10, 2025
概括
这项研究引入了一种使用无人机 (UAV) 图像和使用DeepSORT改进的YOLOv5s来检测烟草中错过的移植的自动化方法. 新系统显著提高了检测准确度和效率,相比手动方法.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
背景情况:
- 烟草种植中错过的移植是一个重大挑战,影响产量,需要低效的手工检查来确定速度.
- 使用光电传感器或机器视觉的现有在线检测方法昂贵,并且对实时研发和移植器的测试有局限性.
研究的目的:
- 开发一种自动化,高效和准确的方法来评估大型烟草田中错过的移植率.
- 克服手动计数和传统基于传感器的检测系统的局限性.
主要方法:
- 一个改进的YOLOv5s模型,结合了二级通道注意力 (SOCA) 机制和简化空间金字塔聚合快速 (SimSPPF) 以提高小目标和多尺度特征提取.
- 整合了改进的YOLOv5s模型与DeepSORT算法以及线交叉计数方法,用于视觉跟踪和动态计数种植和错过的苗孔.
- 在大规模现场测试中利用无人机 (UAV) 图像来获取数据.
主要成果:
- 与原始YOLOv5s用于目标检测相比,增强的YOLOv5s模型显示精度增加3.9%,mAP增加5.3%.
- 联合YOLOv5s和DeepSORT系统将错误检测率 (Mm) 降低了2.5%,错误检测率 (Mf) 降低了6.1%.
- 实地实验在错过移植率评估方面取得了90.28%的准确性,与手动检查相比,检测效率提高了10倍.
结论:
- 建议使用无人机成像,改进的YOLOv5s和DeepSORT的自动化方法为快速检测遗漏移植率提供了一种新有效的解决方案.
- 这种方法为评估苗木移植器的性能提供了宝贵的技术见解,并解决了当前检测技术的局限性.
