相关实验视频
Updated: Jan 15, 2026
06:27
Automated Analysis of C. elegans Fluorescence Images using SegElegans
Published on: October 10, 2025
577
基于改进的面具R-CNN的红外图像中对子的实例细分算法进行研究
Youqing Chen1,2, Hang Liu2,3, Lun Wang1,2
1College of Mechanical and Electrical Engineering, Yunnan Agricultural University, Kunming 650201, China.
Sensors (Basel, Switzerland)
|October 16, 2025
概括
这项研究引入了改进的Mask R-CNN算法,用于在红外图像中对子进行细分,从而增强大规模农业的健康监测. 新方法显著提高了检测和细分的准确性,即使在拥挤的条件下.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 动物科学动物科学
背景情况:
- 红外成像为的健康提供了洞察力.
- 准确检测和细分单个对于大规模养殖至关重要.
- 障碍物和红外图像中的集群构成了细分挑战.
研究的目的:
- 开发一种先进的实例细分算法,用于在红外图像中检测和细分子.
- 为了提高特征提取和细分精度在具有挑战性的高密度环境中.
- 加强自动化健康监测和智能育种管理.
主要方法:
- 提出了一个基于Mask R-CNN的实例细分算法.
- 骨干网络得到了CBAM (卷积块注意模块) 的增强.
- 该算法与AC-FPN (注意交叉尺度特征金字塔网络) 架构相结合.
主要成果:
- 改进后的模型在物体检测方面实现了78.66%的AP和85.80%的AR10 (COCO指标).
- 细分任务产生了73.94%的AP和80.42%的AR10,比原始模型提高了32.91%和17.78%.
- "许多"类别的细分精度达到98.51%,其他类别的细分精度超过93%.
结论:
- 拟议的实例细分方法在具有挑战性的红外成像条件下有效地识别和细分养.
- 这一进步支持在高密度家禽养殖中提高生产效率和智能育种管理.
- 在检测和细分的提高准确性有助于更好的健康监测系统.
