一个数字双驱动的深度学习框架,用于在线质量检查的烟草移植
Qiuyang Zhao1, Erdeng Ma2, Jian Zhao1,3,4
1School of Technology, Beijing Forestry University, Beijing, China.
Frontiers in plant science
|March 5, 2026
概括
本研究介绍了一个使用深度学习和数字双胞胎技术的AI驱动系统,用于自动化烟草移植质量检查. YAN-YOLO11算法准确地检测苗木状态和间距,提高效率和作物产量.
科学领域:
- 农业工程 农业工程
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 手动的烟草移植检查是昂贵的,低效的,不可靠的,影响作物产量和质量.
- 准确评估移植状态对于重新种植决策和优化机器至关重要.
- 现有的方法缺乏现代农业实践所需的精度和自动化.
研究的目的:
- 利用深度学习和数字双胞胎技术开发用于烟草移植的自动化在线质量检查方法.
- 提高检测移植状态的准确性和效率,包括苗木状况和间隔.
- 为移植机械的数字化和智能化转型提供实用解决方案.
主要方法:
- 提出了一种轻量级的YAN-YOLO11算法,用于检测正常的,露出根的和埋藏的幼苗.
- 合并的GNSS定位数据与视觉检测用于行内间距估计和错过/双重种植评估.
- 实现了一个数字双胞胎来创建一个虚拟现实交互式闭环,用于数据收集,检测,映射和反.
主要成果:
- 与YOLO11n相比,YAN-YOLO11提高了2.4%的精度和2.5%的回忆,mAP@50增加了3%至80.9%.
- 实现了总体识别准确度为90.74%,实时性能为30 FPS,满足实际应用要求.
- 数字双胞胎系统实时可视化了运营状态,并提供了重新种植路径建议,提高了管理效率.
结论:
- 深度学习和数字双胞胎驱动的方法显著提高了烟草移植的数字化,自动化和精细化管理.
- YAN-YOLO11算法为种苗状况评估提供了更高的准确性和更低的复杂性.
- 这项研究为智能移植机械和精确作物管理提供了理论基础和实际解决方案.