转移学习模型用于在多源数据集上检测小麦耳朵

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 数据科学数据科学数据科学

背景情况:

• 准确的小麦产量预测对于全球粮食安全至关重要,但目前的方法往往是有偏见的或劳动密集型的.
• 手动计数小麦穗是精确但耗时的产量预测方法.
• 自动小麦耳探测可以提高产量估计的准确性和效率.

研究的目的:

• 介绍BioS-Wheat数据集,这是一个新的,高质量的RGB智能手机图像数据集,用于小麦耳朵检测.
• 评估六个深度学习模型的性能,用于自动检测小麦耳朵.
• 为未来的小麦产量预测自动化研究提供基准.

主要方法:

• 创建BioS-小麦数据集:在四种小麦品种中创建了5,696张注释的RGB图像,种植密度高,行间距最小.
• 评估六种深度学习模型,包括RetinaNet,YOLOv8和RT-DETR,用于小麦耳朵检测.
• 使用平均平均精度 (mAP@50) 的性能评估.

主要成果:

• 在小麦耳检测方面,RetinaNet,YOLOv8和RT-DETR实现了91%的最高mAP@50.
• 这些表现最好的模型表现出明显更高的计算复杂性.
• 生物-小麦数据集的复杂性,由于密集的安排和封闭,挑战了模型的稳定性.

结论:

• 生物-小麦数据集为开发强大的自动小麦耳朵检测模型提供了宝贵的资源.
• 深度学习模型显示了准确,早期小麦产量预测的高潜力.
• 数据集的农学多样性对于在各种条件下提高模型性能至关重要.