使用计算有效的连接注意力U-Net与卷积块注意力模块增强各种作物领域的杂草细分

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:

• 杂草通过争夺资源而大大降低了作物产量.
• 统一的除草剂应用是昂贵的,并且对环境有影响.
• 选择性杂草处理需要先进的作物和杂草细分系统.

研究的目的:

• 开发一种轻量级的深度学习模型,以实现高效的作物和杂草细分.
• 为了实现在边缘设备上部署杂草检测系统,以便实时应用.
• 提高农业的成本效益和环境可持续性.

主要方法:

• 开发了一种新的卷积神经网络:连锁注意力U-Net与卷积块注意力模块 (CAUC).
• 集成线性连锁块 (LCB),注意门 (AG) 连接和卷积块注意模块 (CBAM) 进行高效的功能利用.
• 使用三个数据集训练和验证该模型:作物/杂草田间图像数据集 (CWFID),甜菜和向日.

主要成果:

• 实现了高性能指标:99.09%准确度,81.02%MIoU和99.06%F1得分.
• 该CAUC模型是轻量级的,尺寸为5.6 MB,参数为0.377万.
• 创建了一个功能计算机视觉应用程序 (13.7 MB),以证明在低计算设备上的实时有效性.

结论:

• CAUC模型为选择性杂草处理提供了有效和高效的解决方案.
• 轻量级的设计使其更容易部署在边缘设备上,用于实际的农业应用.
• 这种方法在精准农业和可持续农业实践方面取得了重大进展.