Повышение точности прогнозов урожая винограда: CDMENet для полуавтоматического подсчёта ягод

Автоматический подсчёт ягод винограда стал ключевой, но сложной задачей для улучшения прогнозов урожая из-за плотного распределения и взаимного перекрытия ягод. Традиционные ручные методы подсчёта неточны и неэффективны.

Современные исследования сфокусированы на методах глубокого обучения и компьютерного зрения, использующих детекцию и оценку плотности для более точного подсчёта. Однако этим методам мешают изменчивость условий в поле и высокий уровень окклюзии, что приводит к значительным ошибкам.

Создание высокопроизводительных алгоритмов также требует дорогостоящей разметки данных, что является серьёзным препятствием для их широкого внедрения и адаптации. Потребность в экономичном и точном автоматизированном методе подсчёта остаётся актуальной проблемой.

В ноябре 2023 года журнал Plant Phenomics опубликовал исследовательскую статью "Полуавтоматический подсчёт ягод винограда в поле на основе взаимного исключения плотности".

Для эффективного и экономичного подсчёта ягод винограда в исследовании представлен CDMENet — полуавтоматический метод, который использует VGG16 для извлечения признаков из изображений и механизм "взаимного исключения плотности" для анализа пространственных закономерностей и работы с немаркированными данными.

Метод также применяет функцию потерь на разнице плотностей для усиления различий признаков между областями с разной плотностью. Эксперименты проводились на системе Ubuntu с использованием Python и фреймворков глубокого обучения. Производительность алгоритма тестировалась на заданном аппаратном обеспечении с использованием конкретных техник предобработки данных и параметров обучения, таких как скорость обучения и методы оптимизации.

Результаты оказались многообещающими: CDMENet превзошёл как полностью контролируемые, так и другие полуавтоматические аналоги по показателям средней абсолютной ошибки (MAE), среднеквадратичной ошибки (RMSE) и коэффициенту детерминации (R²).

Особенно примечательна его работа с ограниченным количеством размеченных данных, где он показал более высокую точность и меньшую ошибку по сравнению с другими моделями. Робастность метода была дополнительно подтверждена в различных абляционных исследованиях, продемонстрировавших значительную роль немаркированных данных, функции потерь на разнице плотностей и количества предикторов для вспомогательных задач.

Несмотря на незначительное влияние порога уверенности предсказания, CDMENet сохранял стабильную и надёжную работу.

В заключение, CDMENet представляет собой работоспособное решение для подсчёта ягод винограда в полевых условиях, сокращая потребность в обширной ручной разметке при одновременном повышении точности и снижении ошибок.

Эффективное использование немаркированных данных, улучшенное представление признаков за счёт функции потерь на разнице плотностей и общая надёжная работа в различных условиях подчёркивают его потенциал в качестве экономичного инструмента для оценки сельскохозяйственного урожая.

В будущем работа может быть направлена на дальнейшую оптимизацию функций потерь и внедрение алгоритма в полевых роботах или других практических приложениях.