.png){kind=icon}
返回
MSNet: A Novel Deep Learning Framework for Efficient Missing Seedling Detection in Maize Fields
.png){kind=icon}
OA
AI
DOI：10.1080/08839514.2025.2469372.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器视觉在农业中的应用极大地促进了漏苗检测的研究。本研究针对关键挑战，如全面覆盖的航拍图像、易被误认为杂草的幼苗以及传统行分类中缺乏自适应学习等问题。我们提出了一种新颖的漏苗检测方法，包含三个关键阶段：幼苗定位、行分类和漏苗区域预测。我们提出SeedNet，一种利用行方向信息来提升小幼苗检测性能的检测器。通过整合这一信息，SeedNet相比基线模型将召回率提高了25.3%，平均精度（AP）提高了15.4%。此外，我们引入PeakNet，一种基于深度学习的行分割分类器，其能高效适应行间距而不依赖任何先验假设，准确率达到99.69%。最后，通过分析同侧行内相邻幼苗间的相对距离来预测漏苗区域。在具有挑战性的户外条件下，该方法实现了98%的漏苗检测准确率，满足田间测试的实用要求。SeedNet和PeakNet在实时处理中表现出卓越性能，推理速度分别达到105 FPS和2295 FPS。这些结果表明该技术在实时农业系统中具有巨大的应用潜力。所提出的方法为作物漏苗检测提供了一种高性能、低成本解决方案。
期刊
R
IF:
13.2
论文数:
155
被引数:
3.2K
机构
引用论文
Mapping crop stand count and planting uniformity using high resolution imagery in a maize crop使用高分辨率图像在玉米作物中绘制作物林分数和种植均匀度
.png){kind=icon}
PREAI
分享收藏Failure Detection in Row Crops From UAV Images Using Morphological Operators使用形态学算子从无人机图像中检测行作物的故障
PREAI
分享收藏
Lightweight detection networks for tea bud on complex agricultural environment via improved YOLO v4通过改进的YOLO v4实现复杂农业环境下茶芽的轻量级检测网络
PREAI
分享收藏Quick and accurate monitoring peanut seedlings emergence rate through UAV video and deep learning
PREAI
分享收藏Improved image processing-based crop detection using Kalman filtering and the Hungarian algorithm使用卡尔曼滤波和匈牙利算法改进的基于图像处理的作物检测
PREAI
分享收藏
查看更多内容