ИИ-модель повышает точность обнаружения полегания риса для улучшения сельскохозяйственных результатов

Используя передовую архитектуру сверточной нейронной сети (CNN) и интеллектуальные алгоритмы оптимизации, модель на основе ИИ значительно превосходит традиционные методы, предлагая повышенную точность и сниженные вычислительные затраты.

Полегание риса — изгиб или падение посевов из-за таких факторов окружающей среды, как ветер или дождь, — представляет серьезную угрозу урожайности. Оно затрудняет фотосинтез, усложняет уборку урожая и повышает уязвимость к вредителям, что делает эффективный мониторинг и прогнозирование полегания критически важными для фермеров и исследователей.

Традиционные методы, включая визуальный осмотр, математическое моделирование и спутниковое дистанционное зондирование, часто трудоемки и неточны, им не хватает масштабируемости и оперативности, необходимых для оценки в крупных сельскохозяйственных масштабах.

Исследование, опубликованное в Plant Phenomics, может помочь своевременно принять корректирующие меры, такие как изменение стратегий орошения или борьбы с вредителями, для смягчения потенциальных потерь урожая.

Модель AAUConvNeXt, разработанная с помощью многоцелевой оптимизации с использованием алгоритма AFOA-APM, представляет собой усовершенствованную версию архитектуры CNN UConvNeXt для сегментации полегания риса. Метод исследования включал оптимизацию количества каналов в сверточных слоях модели для повышения производительности и эффективности.

В отличие от традиционного подхода, где количество каналов увеличивается или уменьшается по фиксированной схеме, модель AAUConvNeXt стратегически регулирует каналы: увеличивая их в слоях, требующих интенсивного обучения признакам, и уменьшая в менее критичных слоях для баланса сложности и использования ресурсов.

Результаты обширных экспериментов подчеркивают превосходство AAUConvNeXt над существующими моделями. Оптимизированная архитектура достигла Pixel Accuracy (PA) 96.3%, Mean Pixel Accuracy (MPA) 96.3% и mean Intersection over Union (mIoU) 93.2%, превзойдя другие модели, такие как DeepLabV3+ и HRNet.

Кроме того, AAUConvNeXt сократила количество параметров и вычислительную сложность на 8.66%, что делает ее более ресурсоэффективной.

Продвинутые возможности извлечения признаков модели способствовали высокой точности сегментации, особенно в различении сложных категорий полегания риса, включая полное, частичное и неполегшее состояние.

Абляционные исследования подтвердили, что комбинация AFOA с APOM значительно улучшила метрики сегментации, при этом AAUConvNeXt превзошла своих предшественников. Кроме того, целевая настройка каналов оптимизировала сложность модели, позволив эффективно изучать как признаки ранней стадии, так и уточненные.

По словам старшего исследователя, доктора Сяобо Суня: «Интегрируя глубокое обучение с интеллектуальной оптимизацией, наша модель предоставляет мощный инструмент для эффективного мониторинга полегания сельскохозяйственных культур. Этот прогресс обладает огромным потенциалом для преобразования практики выращивания риса, предлагая своевременные, надежные и экономически эффективные решения».

Модель AAUConvNeXt представляет собой значительный шаг вперед в сельскохозяйственных технологиях, сочетая глубокое обучение с интеллектуальной оптимизацией для эффективного мониторинга полегания риса. Ее интеграция в сельскохозяйственную практику может революционизировать управление посевами, предлагая многообещающий путь к повышению продуктивности и устойчивости.