SoyCountNet:一个深度学习框架,用于在田间环境中计算和定位大豆种子
Fei Liu1,2, Qiong Wu1, Haoyu Wang1
1College of Science and Information Science, Qingdao Agricultural University, Qingdao, China.
Frontiers in plant science
|March 13, 2026
概括
通过使用深度学习,SoyCountNet准确地在田间计算每棵大豆种子 (SPP). 这种自动化方法在具有挑战性的农业条件下改善了产量估计和品种评估.
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:
- 精确的大豆种子计数和空间定位 (每种植种子 - SPP) 对于产量估计和品种评估至关重要.
- 现场条件带来了诸如复杂的背景,塞和不均的谷物填充等挑战,阻碍了传统的计数方法.
研究的目的:
- 开发SoyCountNet,这是一个深度学习框架,用于在田间条件下在单一植物层面自动计算和定位大豆种子.
- 提高农业应用大豆种子量化的准确性和稳定性.
主要方法:
- 利用了基于现场的表型化平台,并优化了点对点网络 (P2PNet).
- 使用VGG19_BN骨干和超级令牌采样视觉变压器 (SViT) 来进行特征提取.
- 集成高效通道注意力 (ECA) 功能融合和改进的损失功能,以提高精度和空间一致性.
主要成果:
- 在田间大豆数据集上,SoyCountNet的性能优于现有的方法.
- 实现了4.61的平均绝对误差 (MAE),6.03的根平均平方误差 (RMSE) 和0.94.94的R2.
- 在不同的大豆品种中表现一致,可靠的SPP估计.
结论:
- 在复杂的田间环境中,SoyCountNet为精确的大豆种子计数和定位提供了可靠和可扩展的解决方案.
- 轻量级的架构促进了在智能农业平台上部署高吞吐量表型和精密育种.
- 这项工作支持智能和可持续农业技术的发展.
