Detección y conteo de espigas de maíz a múltiples altitudes basado en imágenes RGB de UAV y aprendizaje profundo
Autores: Niu, Shanwei; Nie, Zhigang; Li, Guang; Zhu, Wenyu
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Detección y conteo de espigas de maíz a múltiples altitudes basado en imágenes RGB de UAV y aprendizaje profundo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Tecnología agrícola
Detección de cultivos
Espigas de maíz
UAVs
Modelo YOLOv8
SSA
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
En el contexto de la rápida evolución de la tecnología agrícola, los métodos precisos y eficientes para la detección y conteo de cultivos juegan un papel crucial en la mejora de la productividad y eficiencia en la gestión de cultivos. Monitorear los estigmas del maíz es clave para evaluar las características de las plantas, rastrear la salud de las plantas, predecir el rendimiento y abordar problemas como plagas, enfermedades y deficiencias de nutrientes de manera oportuna. Esto garantiza, en última instancia, un crecimiento robusto y de alto rendimiento del maíz. Este estudio presenta un método para el reconocimiento y conteo de estigmas de maíz, utilizando imágenes RGB capturadas por vehículos aéreos no tripulados (UAV) y el modelo YOLOv8. El modelo incorpora el módulo de convolución local Pconv, lo que permite un diseño ligero y una velocidad de detección rápida. Se añade el módulo ACmix a la sección de backbone para mejorar las capacidades de extracción de características de los estigmas de maíz. Además, se integra el módulo CTAM en la sección del cuello para mejorar el intercambio de información semántica entre canales, permitiendo una ubicación precisa y eficiente de los estigmas de maíz. Para optimizar la estrategia de tasa de aprendizaje, se utiliza el algoritmo de búsqueda de gorriones (SSA). Se observan mejoras significativas en la precisión de reconocimiento, eficiencia de detección y robustez en diversas altitudes de vuelo de UAV. Los resultados experimentales muestran que, en comparación con el modelo original YOLOv8, el modelo propuesto exhibe un aumento en la precisión de 3.27 puntos porcentuales hasta el 97.59% y un aumento en la recuperación de 2.85 puntos porcentuales hasta el 94.40% a una altura de 5 m. Además, el modelo optimiza los cuadros por segundo (FPS), parámetros (params) y GFLOPs (operaciones de punto flotante por segundo) en un 7.12%, 11.5% y 8.94%, respectivamente, logrando valores de 40.62 FPS, 14.62 MB y 11.21 GFLOPs. A alturas de 10, 15 y 20 m, el modelo mantiene precisiones estables del 90.36%, 88.34% y 84.32%, respectivamente. Este estudio ofrece apoyo técnico para la detección automatizada de estigmas de maíz, avanzando en la inteligencia y precisión de la producción agrícola y contribuyendo significativamente al desarrollo de la tecnología agrícola moderna.
Descripción
En el contexto de la rápida evolución de la tecnología agrícola, los métodos precisos y eficientes para la detección y conteo de cultivos juegan un papel crucial en la mejora de la productividad y eficiencia en la gestión de cultivos. Monitorear los estigmas del maíz es clave para evaluar las características de las plantas, rastrear la salud de las plantas, predecir el rendimiento y abordar problemas como plagas, enfermedades y deficiencias de nutrientes de manera oportuna. Esto garantiza, en última instancia, un crecimiento robusto y de alto rendimiento del maíz. Este estudio presenta un método para el reconocimiento y conteo de estigmas de maíz, utilizando imágenes RGB capturadas por vehículos aéreos no tripulados (UAV) y el modelo YOLOv8. El modelo incorpora el módulo de convolución local Pconv, lo que permite un diseño ligero y una velocidad de detección rápida. Se añade el módulo ACmix a la sección de backbone para mejorar las capacidades de extracción de características de los estigmas de maíz. Además, se integra el módulo CTAM en la sección del cuello para mejorar el intercambio de información semántica entre canales, permitiendo una ubicación precisa y eficiente de los estigmas de maíz. Para optimizar la estrategia de tasa de aprendizaje, se utiliza el algoritmo de búsqueda de gorriones (SSA). Se observan mejoras significativas en la precisión de reconocimiento, eficiencia de detección y robustez en diversas altitudes de vuelo de UAV. Los resultados experimentales muestran que, en comparación con el modelo original YOLOv8, el modelo propuesto exhibe un aumento en la precisión de 3.27 puntos porcentuales hasta el 97.59% y un aumento en la recuperación de 2.85 puntos porcentuales hasta el 94.40% a una altura de 5 m. Además, el modelo optimiza los cuadros por segundo (FPS), parámetros (params) y GFLOPs (operaciones de punto flotante por segundo) en un 7.12%, 11.5% y 8.94%, respectivamente, logrando valores de 40.62 FPS, 14.62 MB y 11.21 GFLOPs. A alturas de 10, 15 y 20 m, el modelo mantiene precisiones estables del 90.36%, 88.34% y 84.32%, respectivamente. Este estudio ofrece apoyo técnico para la detección automatizada de estigmas de maíz, avanzando en la inteligencia y precisión de la producción agrícola y contribuyendo significativamente al desarrollo de la tecnología agrícola moderna.