Detección automática de plántulas de arroz faltantes basada en UAV utilizando el modelo PCERT-DETR
Autores: Gao, Jiaxin; Tan, Feng; Hou, Zhaolong; Li, Xiaohui; Feng, Ailin; Li, Jiaxin; Bi, Feiyu
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Detección automática de plántulas de arroz faltantes basada en UAV utilizando el modelo PCERT-DETR
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Limitaciones
Plántulas de arroz
Teledetección con UAV
Plántulas faltantes
Modelo PCERT-DETR
Rendimiento de detección
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 8
Citaciones: Sin citaciones
Debido a las limitaciones del rendimiento de la máquina de siembra y las tasas de germinación de las semillas de arroz, inevitablemente ocurren plántulas faltantes después de sembrar arroz en grandes campos. Este fenómeno tiene un impacto directo en el rendimiento del arroz. En el entorno de campo, los métodos existentes para detectar plántulas faltantes basados en imágenes de teledetección de vehículos aéreos no tripulados (UAV) a menudo tienen efectos insatisfactorios. Por lo tanto, para permitir la detección rápida y precisa de plántulas de arroz faltantes y facilitar la posterior re-siembra, este estudio propone un método basado en teledetección UAV para detectar plántulas de arroz faltantes en grandes campos. El método propuesto utiliza un modelo mejorado PCERT-DETR para detectar plántulas de arroz y plántulas faltantes en imágenes de teledetección UAV de grandes campos. Los resultados experimentales muestran que PCERT-DETR logra un rendimiento óptimo en el conjunto de datos autoconstruido, con una precisión media promedio (mAP) del 81.2%, precisión (P) del 82.8%, recuperación (R) del 78.3% y puntuación F (F) del 80.5%. El conteo de parámetros del modelo es solo de 21.4 M y sus FLOPs alcanzan 66.6 G, cumpliendo con los requisitos de detección en tiempo real. En comparación con los modelos de red base, PCERT-DETR mejora la P, R, F y mAP en 15.0, 1.2, 8.5 y 6.8 puntos porcentuales, respectivamente. Además, los experimentos de evaluación del rendimiento se llevaron a cabo a través de experimentos de ablación, experimentos de modelos de detección comparativa y análisis de visualización de mapas de calor, indicando que el modelo tiene un fuerte rendimiento de detección en el conjunto de prueba. Los resultados confirman que el modelo propuesto puede detectar con precisión el número de plántulas de arroz faltantes. Este estudio proporciona información precisa sobre el número de plántulas faltantes para las operaciones de re-siembra posteriores, contribuyendo así a la mejora de las prácticas de agricultura de precisión.
Descripción
Debido a las limitaciones del rendimiento de la máquina de siembra y las tasas de germinación de las semillas de arroz, inevitablemente ocurren plántulas faltantes después de sembrar arroz en grandes campos. Este fenómeno tiene un impacto directo en el rendimiento del arroz. En el entorno de campo, los métodos existentes para detectar plántulas faltantes basados en imágenes de teledetección de vehículos aéreos no tripulados (UAV) a menudo tienen efectos insatisfactorios. Por lo tanto, para permitir la detección rápida y precisa de plántulas de arroz faltantes y facilitar la posterior re-siembra, este estudio propone un método basado en teledetección UAV para detectar plántulas de arroz faltantes en grandes campos. El método propuesto utiliza un modelo mejorado PCERT-DETR para detectar plántulas de arroz y plántulas faltantes en imágenes de teledetección UAV de grandes campos. Los resultados experimentales muestran que PCERT-DETR logra un rendimiento óptimo en el conjunto de datos autoconstruido, con una precisión media promedio (mAP) del 81.2%, precisión (P) del 82.8%, recuperación (R) del 78.3% y puntuación F (F) del 80.5%. El conteo de parámetros del modelo es solo de 21.4 M y sus FLOPs alcanzan 66.6 G, cumpliendo con los requisitos de detección en tiempo real. En comparación con los modelos de red base, PCERT-DETR mejora la P, R, F y mAP en 15.0, 1.2, 8.5 y 6.8 puntos porcentuales, respectivamente. Además, los experimentos de evaluación del rendimiento se llevaron a cabo a través de experimentos de ablación, experimentos de modelos de detección comparativa y análisis de visualización de mapas de calor, indicando que el modelo tiene un fuerte rendimiento de detección en el conjunto de prueba. Los resultados confirman que el modelo propuesto puede detectar con precisión el número de plántulas de arroz faltantes. Este estudio proporciona información precisa sobre el número de plántulas faltantes para las operaciones de re-siembra posteriores, contribuyendo así a la mejora de las prácticas de agricultura de precisión.