Un Mecanismo de Percepción de Fenotipado que Fusiona la Reconstrucción Espacial y de Canal mediante Convolución Empleando Imágenes Visuales de UAV en la Cría de Maíz
Autores: Wang, Huanzhe; Chen, Jian; Wang, Xiqing; Zhang, Shuaisong
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Un Mecanismo de Percepción de Fenotipado que Fusiona la Reconstrucción Espacial y de Canal mediante Convolución Empleando Imágenes Visuales de UAV en la Cría de Maíz
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Agricultura de precisión
Detección de objetos en imágenes aéreas basadas en UAV
Operaciones de percepción de fenotipado de maíz
Espigas de maíz
Complejidad de cálculo del modelo
Convolución de canal espacial.
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
A medida que la agricultura de precisión avanza, la detección de objetos en imágenes aéreas basadas en UAV ha surgido como una tecnología fundamental para las operaciones de percepción en fenotipado de maíz. Los fondos complejos reducen el rendimiento del modelo en la extracción de características de las espigas de maíz, mientras que sacrificar la complejidad computacional del modelo para mejorar la expresión de características es perjudicial para el despliegue en UAV. Para lograr un equilibrio entre el tamaño del modelo y la capacidad de despliegue, se propone un modelo mejorado que incorpora convolución espacial-canal. Primero, se construyó un UAV para la cría de maíz y se realizó la recolección de datos de imágenes de espigas de maíz. En segundo lugar, se integró la Convolución de Reconstrucción Espacial y Canal (SCConv) en la red de cuello del modelo base YOLOv8, reduciendo la complejidad computacional del modelo mientras se mantiene la precisión de detección. Finalmente, el conjunto de datos de espigas de maíz construido y el conjunto de datos público de Etapa de Espigado de Maíz (MTS) se utilizaron para el entrenamiento y evaluación del modelo mejorado. Los resultados mostraron que el modelo mejorado logró una precisión del 92.2%, un recall del 84.3% y un mAP@0.5 del 91.7%, con 7.3 G de operaciones de punto flotante (FLOPs) y un tamaño de modelo de 5.16 MB. En comparación con el modelo original, el modelo mejorado mostró aumentos respectivos del 3.2%, 3.4% y 3.4% en precisión, recall y mAP@0.5, junto con reducciones respectivas de 0.8 G FLOPs en complejidad computacional y 0.79 MB en tamaño del modelo. En comparación con YOLOv10n, la precisión, el recall y el mAP@0.5 del modelo mejorado aumentaron en 1.8%, 3.1% y 2.9%, respectivamente, y la computación del modelo se redujo en 0.3 G FLOPs, y el tamaño del modelo se redujo en 0.42 MB. El modelo mejorado es preciso, tiene un mejor rendimiento en imágenes aéreas de UAV en escenarios complejos y proporciona una base metodológica para el despliegue. También apoya la detección de espigas de maíz y tiene potencial para su aplicación en la cría de maíz.
Descripción
A medida que la agricultura de precisión avanza, la detección de objetos en imágenes aéreas basadas en UAV ha surgido como una tecnología fundamental para las operaciones de percepción en fenotipado de maíz. Los fondos complejos reducen el rendimiento del modelo en la extracción de características de las espigas de maíz, mientras que sacrificar la complejidad computacional del modelo para mejorar la expresión de características es perjudicial para el despliegue en UAV. Para lograr un equilibrio entre el tamaño del modelo y la capacidad de despliegue, se propone un modelo mejorado que incorpora convolución espacial-canal. Primero, se construyó un UAV para la cría de maíz y se realizó la recolección de datos de imágenes de espigas de maíz. En segundo lugar, se integró la Convolución de Reconstrucción Espacial y Canal (SCConv) en la red de cuello del modelo base YOLOv8, reduciendo la complejidad computacional del modelo mientras se mantiene la precisión de detección. Finalmente, el conjunto de datos de espigas de maíz construido y el conjunto de datos público de Etapa de Espigado de Maíz (MTS) se utilizaron para el entrenamiento y evaluación del modelo mejorado. Los resultados mostraron que el modelo mejorado logró una precisión del 92.2%, un recall del 84.3% y un mAP@0.5 del 91.7%, con 7.3 G de operaciones de punto flotante (FLOPs) y un tamaño de modelo de 5.16 MB. En comparación con el modelo original, el modelo mejorado mostró aumentos respectivos del 3.2%, 3.4% y 3.4% en precisión, recall y mAP@0.5, junto con reducciones respectivas de 0.8 G FLOPs en complejidad computacional y 0.79 MB en tamaño del modelo. En comparación con YOLOv10n, la precisión, el recall y el mAP@0.5 del modelo mejorado aumentaron en 1.8%, 3.1% y 2.9%, respectivamente, y la computación del modelo se redujo en 0.3 G FLOPs, y el tamaño del modelo se redujo en 0.42 MB. El modelo mejorado es preciso, tiene un mejor rendimiento en imágenes aéreas de UAV en escenarios complejos y proporciona una base metodológica para el despliegue. También apoya la detección de espigas de maíz y tiene potencial para su aplicación en la cría de maíz.