LGWheatNet: Un modelo ligero de detección de espigas de trigo basado en la fusión de información multiescalar
Autores: Qiu, Zhaomei; Wang, Fei; Li, Tingting; Liu, Chongjun; Jin, Xin; Qing, Shunhao; Shi, Yi; Wu, Yuntao; Liu, Congbin
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
LGWheatNet: Un modelo ligero de detección de espigas de trigo basado en la fusión de información multiescalar
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Detección de picos de trigo
LGWheatNet
Eficiencia
Precisión
Condiciones con recursos limitados
Detección de objetos ligera
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
La detección de espigas de trigo tiene una importancia significativa para la producción agrícola, ya que mejora la eficiencia de la gestión de cultivos y la precisión de las operaciones. Este estudio tiene como objetivo mejorar la precisión y eficiencia de la detección de espigas de trigo, permitiendo un monitoreo eficiente de los cultivos en condiciones de recursos limitados. Para ello, se construyó un conjunto de datos de espigas de trigo que abarca múltiples etapas de crecimiento, aprovechando las ventajas de MobileNet y ShuffleNet para diseñar un nuevo módulo de red, SeCUIB. Sobre esta base, se propuso una nueva red de detección de espigas de trigo, LGWheatNet, integrando un módulo de submuestreo ligero (DWDown), agrupamiento en pirámide espacial (SPPF) y una cabeza de detección ligera (LightDetect). Los resultados experimentales demuestran que LGWheatNet sobresale en métricas clave de rendimiento, incluyendo Precisión, Recall y Precisión Media Promedio (mAP50 y mAP50-95). Específicamente, el modelo logró una Precisión de 0.956, un Recall de 0.921, un mAP50 de 0.967 y un mAP50-95 de 0.747, superando varios modelos YOLO, así como EfficientDet y RetinaNet. Además, LGWheatNet demostró una superior eficiencia de recursos con un conteo de parámetros de solo 1,698,529 y GFLOPs de 5.0, significativamente menor que la de los modelos competidores. Adicionalmente, cuando se combina con la estrategia de Inferencia Hiper Asistida por Slicing, LGWheatNet mejoró aún más la precisión de detección de espigas de trigo, especialmente para objetivos de pequeña escala y regiones de borde, al procesar imágenes de alta resolución a gran escala. Esta estrategia mejoró significativamente tanto la eficiencia de inferencia como la precisión, haciéndola particularmente adecuada para el análisis de imágenes a partir de datos capturados por drones. En experimentos de conteo de espigas de trigo, LGWheatNet también ofreció un rendimiento excepcional, particularmente en predicciones durante las etapas de llenado y madurez, superando a otros modelos por un margen sustancial. Este estudio no solo proporciona una solución eficiente y confiable para la detección de espigas de trigo, sino que también introduce métodos innovadores para tareas de detección de objetos ligeros en entornos con recursos limitados.
Descripción
La detección de espigas de trigo tiene una importancia significativa para la producción agrícola, ya que mejora la eficiencia de la gestión de cultivos y la precisión de las operaciones. Este estudio tiene como objetivo mejorar la precisión y eficiencia de la detección de espigas de trigo, permitiendo un monitoreo eficiente de los cultivos en condiciones de recursos limitados. Para ello, se construyó un conjunto de datos de espigas de trigo que abarca múltiples etapas de crecimiento, aprovechando las ventajas de MobileNet y ShuffleNet para diseñar un nuevo módulo de red, SeCUIB. Sobre esta base, se propuso una nueva red de detección de espigas de trigo, LGWheatNet, integrando un módulo de submuestreo ligero (DWDown), agrupamiento en pirámide espacial (SPPF) y una cabeza de detección ligera (LightDetect). Los resultados experimentales demuestran que LGWheatNet sobresale en métricas clave de rendimiento, incluyendo Precisión, Recall y Precisión Media Promedio (mAP50 y mAP50-95). Específicamente, el modelo logró una Precisión de 0.956, un Recall de 0.921, un mAP50 de 0.967 y un mAP50-95 de 0.747, superando varios modelos YOLO, así como EfficientDet y RetinaNet. Además, LGWheatNet demostró una superior eficiencia de recursos con un conteo de parámetros de solo 1,698,529 y GFLOPs de 5.0, significativamente menor que la de los modelos competidores. Adicionalmente, cuando se combina con la estrategia de Inferencia Hiper Asistida por Slicing, LGWheatNet mejoró aún más la precisión de detección de espigas de trigo, especialmente para objetivos de pequeña escala y regiones de borde, al procesar imágenes de alta resolución a gran escala. Esta estrategia mejoró significativamente tanto la eficiencia de inferencia como la precisión, haciéndola particularmente adecuada para el análisis de imágenes a partir de datos capturados por drones. En experimentos de conteo de espigas de trigo, LGWheatNet también ofreció un rendimiento excepcional, particularmente en predicciones durante las etapas de llenado y madurez, superando a otros modelos por un margen sustancial. Este estudio no solo proporciona una solución eficiente y confiable para la detección de espigas de trigo, sino que también introduce métodos innovadores para tareas de detección de objetos ligeros en entornos con recursos limitados.