德尔塔-SoyStage:一个轻量级检测架构,用于全周期大豆生长阶段监测
Abdellah Lakhssassi1, Yasser Salhi2, Naoufal Lakhssassi3
1School of Computing, Southern Illinois University, Carbondale, IL 62901, USA.
Sensors (Basel, Switzerland)
|December 11, 2025
概括
准确识别大豆生长阶段对于农业至关重要. 一个新的模型,DELTA-SoyStage,使用深度学习有效地分类了九个增长阶段,使边缘设备上的精密农业成为可能.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 精确的大豆表型化对于优化农业实践和防止重大产量损失至关重要.
- 当前的深度学习模型往往侧重于有限的增长阶段,缺乏全面的现象学覆盖.
研究的目的:
- 开发一种新的,计算效率高的深度学习架构,用于全面分类大豆生长阶段.
- 引入一个新的数据集和一个专门的检测头来改进大豆表型.
主要方法:
- 开发了DELTA-SoyStage,一个使用EfficientNet,ChannelMapper neck和一个新的DELTA检测头的对象检测架构.
- 创建并使用了一套包含17,204张标记RGB图像的数据集,涵盖了九个大豆生长阶段 (VE到R8).
- 基于平均精度 (AP) 和计算成本 (GFLOPs) 的评估模型性能.
主要成果:
- 在计算效率方面,DELTA-SoyStage实现了73.9%的AP,达到24.4GFLOP,明显超过了基线.
- 该模型显示,与最佳基线 (DINO-Swin) 相比,FLOP 减少了4.2倍,精度差异最小.
- 德尔塔头部和ChannelMapper部导致了43.5%的参数减少,同时保持了竞争力的准确性.
结论:
- 拟议的DELTA-SoyStage模型提供了一个计算效率高的解决方案,用于准确识别大豆生长阶段.
- 它的轻量级设计和竞争性性能使其适合在精密农业的资源有限的边缘设备上部署.
- 这有助于及时决策,以优化作物管理,而无需依赖云计算.
