Un modelo de reconocimiento basado en fusión de características a diferentes escalas para semillas en forma de aguja
Autores: Zhang, Zizhao; Huang, Yiqi; Chen, Ying; Liu, Ze; Liu, Bo; Liu, Conghui; Huang, Cong; Qian, Wanqiang; Zhang, Shuo; Qiao, Xi
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Un modelo de reconocimiento basado en fusión de características a diferentes escalas para semillas en forma de aguja
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Propone
Semillas en forma de aguja
Fusión de características a múltiples escalas
Red residual profunda
Segmentación de imágenes
Clasificación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
Para resolver el problema de que los métodos tradicionales de reconocimiento de semillas no son completamente adecuados para semillas en forma de aguja, como L., en la producción agrícola, este artículo propone una idea de construcción de modelo que combina las ventajas de los modelos residuales profundos en la extracción de características abstractas de alto nivel con la fusión de extracción de características multi-escala, teniendo en cuenta la profundidad y la amplitud de la red. Basado en esto, se propone una red residual profunda de fusión de características multi-escala (MSFF-ResNet) y se realiza una segmentación de imagen antes de la clasificación. La segmentación de imagen se realiza mediante un popular método de segmentación semántica, UNet, que separa con precisión las semillas del fondo. La red de fusión de características multi-escala es un modelo residual profundo basado en una red residual de 34 capas (ResNet34) y contiene un módulo de fusión de características multi-escala y un mecanismo de atención. El módulo de fusión de características multi-escala está diseñado para extraer características de diferentes escalas de semillas en forma de aguja, mientras que el mecanismo de atención se utiliza para mejorar la capacidad de seleccionar características de nuestro modelo para que el modelo pueda prestar más atención a las características clave. Los resultados muestran que la precisión promedio y el puntaje F1 promedio de la red residual profunda de fusión de características multi-escala en el conjunto de pruebas son del 93,81% y 94,44%, respectivamente, y los números de operaciones de punto flotante por segundo (FLOPs) y parámetros son de 5,95 G y 6,15 M, respectivamente. En comparación con otras redes residuales profundas, la red residual profunda de fusión de características multi-escala logra la mayor precisión de clasificación. Por lo tanto, la red propuesta en este documento puede clasificar semillas en forma de aguja de manera eficiente y proporcionar una referencia para el reconocimiento de semillas en agricultura.
Descripción
Para resolver el problema de que los métodos tradicionales de reconocimiento de semillas no son completamente adecuados para semillas en forma de aguja, como L., en la producción agrícola, este artículo propone una idea de construcción de modelo que combina las ventajas de los modelos residuales profundos en la extracción de características abstractas de alto nivel con la fusión de extracción de características multi-escala, teniendo en cuenta la profundidad y la amplitud de la red. Basado en esto, se propone una red residual profunda de fusión de características multi-escala (MSFF-ResNet) y se realiza una segmentación de imagen antes de la clasificación. La segmentación de imagen se realiza mediante un popular método de segmentación semántica, UNet, que separa con precisión las semillas del fondo. La red de fusión de características multi-escala es un modelo residual profundo basado en una red residual de 34 capas (ResNet34) y contiene un módulo de fusión de características multi-escala y un mecanismo de atención. El módulo de fusión de características multi-escala está diseñado para extraer características de diferentes escalas de semillas en forma de aguja, mientras que el mecanismo de atención se utiliza para mejorar la capacidad de seleccionar características de nuestro modelo para que el modelo pueda prestar más atención a las características clave. Los resultados muestran que la precisión promedio y el puntaje F1 promedio de la red residual profunda de fusión de características multi-escala en el conjunto de pruebas son del 93,81% y 94,44%, respectivamente, y los números de operaciones de punto flotante por segundo (FLOPs) y parámetros son de 5,95 G y 6,15 M, respectivamente. En comparación con otras redes residuales profundas, la red residual profunda de fusión de características multi-escala logra la mayor precisión de clasificación. Por lo tanto, la red propuesta en este documento puede clasificar semillas en forma de aguja de manera eficiente y proporcionar una referencia para el reconocimiento de semillas en agricultura.