Инновационный метод с использованием БПЛА и глубокого обучения повышает точность обнаружения метёлок кукурузы

Исследовательская группа разработала инновационный метод, использующий беспилотные летательные аппараты (БПЛА) и методы глубокого обучения для точного определения состояния метёлок на полях гибридизации кукурузы до и после ручного удаления метёлок. Этот подход значительно повышает точность обнаружения метёлок, достигая 98%, за счёт использования специальных стратегий аннотирования и аугментации данных. Исследование имеет важное значение для улучшения обнаружения метёлок на сельскохозяйственных полях, потенциально сокращая ручной труд и повышая эффективность управления посевами с помощью современных систем анализа на основе БПЛА.

Кукуруза — одна из важнейших культур Китая, и мониторинг стадии вымётывания имеет решающее значение для селекционных операций. Недавние достижения в технологии БПЛА сделали их ценным инструментом для детального мониторинга посевов. Однако большие объёмы генерируемых изображений создают серьёзные проблемы для обработки. Современные методы, использующие CNN-фреймворки глубокого обучения для обнаружения метёлок, сталкиваются с трудностями в сборе и разметке данных, а традиционные методы обработки изображений имеют ограниченную эффективность.

Исследование, опубликованное в Plant Phenomics 7 мая 2024 года, направлено на решение этих проблем путём разработки точных моделей обнаружения и размеченных наборов данных для динамических стадий роста метёлок кукурузы.

В ходе исследования была выбрана подходящая модель для практического применения в обнаружении метёлок путём оценки различных версий модели сети RTMDet. Во-первых, были определены вычислительные ресурсы, необходимые для развёртывания модели, с учётом размера параметров и требований к ресурсам. Затем модели были оценены по точности распознавания объектов, в частности по метрике mAP@0.5, с учётом различий в точности между категориями объектов. Также была оценена скорость вывода, что критически важно для приложений реального времени.

Модели RTMDet, от версии Tiny до X, обучались на наборе данных NSL-C. Средняя точность обнаружения различалась максимум на 1,1%, при этом версия X в целом показала наилучшие результаты, за исключением обнаружения Tassel-L, где преуспела версия L. Версия S была выбрана за сбалансированную производительность и эффективность использования ресурсов.

Далее модели RTMDet-S обучались на наборах данных NSL-A, NSL-B и NSL-C для оценки их точности в обнаружении метёлок на разных стадиях роста. Тесты с использованием набора данных NSL-T показали, что модель RTMDet-NSL-C достигла наилучшей общей производительности, особенно в обнаружении Tassel-N с точностью 99,8% и Tassel-S с минимальной ошибкой. Этот метод оказался эффективным для точного определения состояния метёлок на изображениях с БПЛА, предоставляя надёжное решение для мониторинга и управления метёлками кукурузы в реальном времени.

По словам ведущего исследователя Чуньцзян Чжао: «Это исследование, адаптированное к сценариям реального применения, даёт новые представления об анализе состояния метёлок на полях гибридизации кукурузы с использованием дронов. В результате в будущем может быть разработана новая интеллектуальная система на основе дистанционного зондирования с БПЛА для быстрого крупномасштабного семантического анализа полей гибридизации кукурузы, что снизит зависимость от ручных полевых обследований и поможет менеджерам в принятии решений».

В целом, это исследование представляет инновационный метод оценки состояния метёлок кукурузы с использованием изображений с БПЛА и глубокого обучения. Оно прокладывает путь для разработки интеллектуальных систем на основе дистанционного зондирования с БПЛА, позволяющих проводить быстрый крупномасштабный анализ полей гибридизации кукурузы и снижать зависимость от ручных обследований, что в конечном итоге способствует более эффективному управлению посевами и принятию решений.