一种基于无人机图像和改进的PointNext的野外烟草植物的新型叶子计数方法
Dewang Nan1,2, Junying Li3, Hong Liang2
1Yunnan Academy of Tobacco Agricultural Sciences, Kunming, 650021, Yunnan, China.
Scientific reports
|February 25, 2026
概括
本研究介绍了一种基于无人机的自动化系统,用于使用3D点云和改进的深度学习网络来计算烟草叶. 该方法在现场条件下提高了准确性和效率,支持数字农业.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
背景情况:
- 手动计数烟草叶是低效和昂贵的.
- 现有的基于无人机的方法通常使用2D图像,限制了叶子重叠和复杂的背景的准确性.
- 在作物中,用于叶片级细分的3D点云分析尚未得到充分探索.
研究的目的:
- 开发一种高效准确的无人机自动烟叶计数方法.
- 利用3D点云和先进的深度学习来改善叶片细分.
- 为烟草生产数字化管理提供强大的解决方案.
主要方法:
- 用斜式无人机摄影仪将田间生长的烟草植物重建成3D点云.
- 开发SRW-PointNext,这是一个深度学习网络,SCSA关注和Residual-SegHead用于增强细分.
- 在细分的叶点云上应用MeanShift聚类来计算最终的叶数.
主要成果:
- 在点云细分方面,SRW-PointNext网络实现了92.09%的精度和76.13%的MIoU.
- 拟议的方法最终达到92.61%的叶子计数精度.
- 通过改善MIoU和整体精度,SRW-PointNext的表现优于基线PointNext.
结论:
- 基于无人机的3D点云方法提供了准确和稳定的自动烟叶计数.
- 这项技术支持数字管理,产量估计和烟草生产中的育种.
- 改进的SRW-PointNext网络在作物叶片细分方面取得了重大进展.
