Mapeo de distribución de Artemisia Frigida en praderas con imágenes de vehículos aéreos no tripulados y aprendizaje profundo
Autores: Wang, Yongcai; Wan, Huawei; Hu, Zhuowei; Gao, Jixi; Sun, Chenxi; Yang, Bin
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Mapeo de distribución de Artemisia Frigida en praderas con imágenes de vehículos aéreos no tripulados y aprendizaje profundo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Artemisia frigida
Degradación de pastizales
YOLOv7
Algoritmo de detección de objetos
Métricas de precisión
Imágenes de UAV
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Artemisia frigida, como una especie indicadora importante de la degradación de pastizales, tiene un significado significativo para comprender el estado de degradación de los pastizales y llevar a cabo la restauración de los mismos. Por lo tanto, realizar encuestas rápidas y monitorearla es crucial. En este estudio, para abordar el problema de la insuficiente precisión de identificación debido a la alta densidad y pequeño tamaño de Artemisia frigida en imágenes de UAV, mejoramos el algoritmo de detección de objetos YOLOv7 para mejorar el rendimiento del modelo YOLOv7 en la detección de Artemisia frigida. Aplicamos el modelo mejorado a la detección de Artemisia frigida en toda el área experimental, logrando un mapeo espacial de la distribución de Artemisia frigida. Los resultados indican: En comparación entre diferentes modelos, el modelo mejorado YOLOv7 + Biformer + wise-iou mostró la mejora más notable en las métricas de precisión en comparación con el YOLOv7 original, mostrando un aumento del 6%. La precisión media promedio en el umbral de intersección sobre unión (IoU) de 0.5 (mAP@.5) también aumentó en un 3%. En términos de velocidad de inferencia, ocupó el segundo lugar entre los cuatro modelos, solo detrás de YOLOv7 + biformer. El modelo YOLOv7 + biformer + wise-iou logró una precisión de detección general del 96% y un recall del 94% en 10 parcelas. El modelo demostró un rendimiento de detección general superior. El YOLOv7 mejorado mostró un rendimiento superior en la detección de Artemisia frigida, satisfaciendo la necesidad de un mapeo rápido de la distribución de Artemisia frigida basado en imágenes de UAV. Se espera que esta mejora contribuya a aumentar la eficiencia de las encuestas y el monitoreo de la degradación de pastizales basados en UAV. Estos hallazgos enfatizan la efectividad del modelo mejorado YOLOv7 + Biformer + wise-iou en la mejora de las métricas de precisión, el rendimiento general de detección y su aplicabilidad para mapear eficientemente la distribución de Artemisia frigida en imágenes de UAV para encuestas y monitoreo de la degradación de pastizales.
Descripción
Artemisia frigida, como una especie indicadora importante de la degradación de pastizales, tiene un significado significativo para comprender el estado de degradación de los pastizales y llevar a cabo la restauración de los mismos. Por lo tanto, realizar encuestas rápidas y monitorearla es crucial. En este estudio, para abordar el problema de la insuficiente precisión de identificación debido a la alta densidad y pequeño tamaño de Artemisia frigida en imágenes de UAV, mejoramos el algoritmo de detección de objetos YOLOv7 para mejorar el rendimiento del modelo YOLOv7 en la detección de Artemisia frigida. Aplicamos el modelo mejorado a la detección de Artemisia frigida en toda el área experimental, logrando un mapeo espacial de la distribución de Artemisia frigida. Los resultados indican: En comparación entre diferentes modelos, el modelo mejorado YOLOv7 + Biformer + wise-iou mostró la mejora más notable en las métricas de precisión en comparación con el YOLOv7 original, mostrando un aumento del 6%. La precisión media promedio en el umbral de intersección sobre unión (IoU) de 0.5 (mAP@.5) también aumentó en un 3%. En términos de velocidad de inferencia, ocupó el segundo lugar entre los cuatro modelos, solo detrás de YOLOv7 + biformer. El modelo YOLOv7 + biformer + wise-iou logró una precisión de detección general del 96% y un recall del 94% en 10 parcelas. El modelo demostró un rendimiento de detección general superior. El YOLOv7 mejorado mostró un rendimiento superior en la detección de Artemisia frigida, satisfaciendo la necesidad de un mapeo rápido de la distribución de Artemisia frigida basado en imágenes de UAV. Se espera que esta mejora contribuya a aumentar la eficiencia de las encuestas y el monitoreo de la degradación de pastizales basados en UAV. Estos hallazgos enfatizan la efectividad del modelo mejorado YOLOv7 + Biformer + wise-iou en la mejora de las métricas de precisión, el rendimiento general de detección y su aplicabilidad para mapear eficientemente la distribución de Artemisia frigida en imágenes de UAV para encuestas y monitoreo de la degradación de pastizales.