基于无人驾驶飞行器图像的小麦苗木自动检测和计数
Hecang Zang1,2, Yanjing Wang3, Yilong Peng1
1Institute of Agricultural Information Technology, Henan Academy of Agricultural Sciences, Zhengzhou, China.
Frontiers in plant science
|November 6, 2025
概括
一个新的模型,DM_IOC_fpn,在复杂的田间条件下准确地计数小麦苗. 该方法改进了现有模型,提供了更好的产量预测和现场管理支持.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 小麦苗种数量对于估计出现率和预测产量至关重要.
- 手动计数小麦苗是劳动密集型和耗时的.
- 检测小麦苗的挑战包括小目标,密集分布和封闭.
研究的目的:
- 为复杂的田野环境开发一个准确的小麦苗种数检测模型.
- 解决手动计数和现有的检测方法的局限性.
- 为自动计数小麦苗木和产量预测提供技术解决方案.
主要方法:
- 一个小麦苗木数据集是使用点注释构建的.
- 引入了一个密度增强的编码器模块来提取本地和全球特征.
- 为了优化,使用了结合计数,分类和回归损失的总损失函数.
主要成果:
- DM_IOC_fpn模型实现了根平均平方误差 (RMSE) 的2.91和平均绝对误差 (MAE) 的2.23.
- 与最初的IOCFormer和主流物体检测模型相比,DM_IOC_fpn表现出优异的计数性能.
- 该模型有效地处理小目标,堵塞和重叠的小麦苗.
结论:
- DM_IOC_fpn能够准确地检测小麦苗的数量,即使在具有挑战性的田间条件下.
- 该模型在准确性和效率方面比现有方法提供了显著的改进.
- 这项研究为自动化小麦苗种计数和产量预测提供了必要的支持.
