使用YOLOv11-LA和RiceLCNNN的实时细分和种子的表型分析
Dejia Zhang1,2, Shaozhong Song1,3, Jia Liu4
1School of Artificial Intelligence, Changchun University of Science and Technology, Changchun, China.
Frontiers in plant science
|December 24, 2025
概括
这项研究介绍了一种智能模型,用于实时分析大米种子,改进智能农业. 综合系统提高了检测,分类和测量准确度,以提高作物产量.
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:
- 准确的水种子检测和分类对于农业生产力和质量至关重要.
- 由于效率和延迟问题,传统方法在高密度种子场景中扎.
- 深度学习模型显示出希望,但需要对实时应用程序进行优化.
研究的目的:
- 开发一个集成的智能分析模型,用于实时检测,分类和表型测量.
- 解决现有方法在计算效率和延迟方面的局限性.
- 通过先进的种子分析,增强智能农业实践.
主要方法:
- 使用轻量级YOLOv11-LA模型进行实时谷物细分,具有可分离的卷积和注意力机制.
- 使用自定义的RiceLCNN分类器进行精确的种子分类.
- 集成的DeepSORT用于多对象跟踪和子像素边缘检测,用于表型测量.
主要成果:
- 与YOLOv11.11相比,YOLOv11-LA提高了检测准确度 (mAP@0.5:0.95增加了1.9%) 和降低了63.2%的参数.
- 米LCNN实现了高分类准确度 (在公共数据集上高达96.32%).
- 现型测量保持了高精度 (误差在0.1mm以内),具有有效的实时跟踪.
结论:
- 拟议的综合模型显著提高了实时米种子分析能力.
- 优化的YOLOv11-LA和RiceLCNN模型提供了优越的性能,降低了计算复杂性.
- 该系统显示了智能农业工业应用的巨大潜力.
更多相关视频
05:22Transverse Sectioning of Mature Rice Oryza sativa L. Kernels for Scanning Electron Microscopy Imaging Using Pipette Tips as Immobilization Support
Published on: January 25, 2022
4.2K
08:33Laser-Capture Microdissection RNA-Sequencing for Spatial and Temporal Tissue-Specific Gene Expression Analysis in Plants
Published on: August 5, 2020
8.7K
