Автоматизированный подсчет семян сои: оценка существующих методов для повышения точности
Глубокое обучение упрощает и повышает точность оценки урожайности таких культур, как соя, по сравнению с ручным подсчетом. Однако модель автоматического подсчета точек "P2PNet" показала низкую эффективность для прямого подсчета семян из-за помех от фона, перепредсказаний и неучета масштаба объектов.
Исследователи из Японии под руководством доцента Вэй Го из Токийского университета разработали улучшенную модель "P2PNet-Soy", которая точно подсчитывает количество семян сои по полевым изображениям растений. Исследование опубликовано в Plant Phenomics.
Как работает модель:
- Для обучения модели использовали 374 изображения растений сои, выращенных в поле (съемка с двух сторон).
- Семена в каждом стручке были вручную размечены точками техниками Field Phenomics Lab.
- 181 изображение использовали для обучения, 193 — для оценки модели.
Ключевые улучшения P2PNet-Soy:
- Извлечение признаков: Модель захватывает как высокоуровневые (контекст объектов), так и низкоуровневые (детали и мелкие объекты) признаки.
- Масштабная инвариантность: Использован метод атроусной свертки для обнаружения семян разного размера.
- Механизмы внимания: Применены пространственные и канальные механизмы внимания для лучшего отделения семян от фона.
- Постобработка: Алгоритм кластеризации k-d tree уточняет центры близко расположенных предсказанных семян, повышая точность.
Результат: P2PNet-Soy демонстрирует значительно более высокую точность подсчета и локализации семян по сравнению с исходным P2PNet и другими методами подсчета стручков сои.
Ограничения модели:
- Обучение на изображениях с двух сторон одного растения может приводить к переоценке общего числа семян.
- Модель не может обнаружить семена, случайно пропущенные на изображении.
Несмотря на это, разработка подобных технологий — многообещающий шаг к повышению эффективности сельского хозяйства.