LKNet: новый стандарт точного подсчёта рисовых метёлок с помощью глубокого обучения

Новая модель LKNet, основанная на архитектуре P2PNet, решает ключевые проблемы автоматического подсчёта рисовых метёлок: перекрывающиеся объекты, погрешности в разметке данных и изменчивость структуры метёлок на разных стадиях роста. Интеграция блоков свёртки с большим ядром (LKconv) и новой функции потерь позволила достичь превосходной точности и эффективности.

Проблемы существующих методов

• Детекционные модели плохо работают в густом пологе.
• Модели, основанные на оценке плотности, чувствительны к фоновым помехам.
• Локализационные методы (P2PNet) ограничены размером рецептивного поля и неточностями в разметке.

Результаты тестирования LKNet

• На датасетах с высокой плотностью (SHTech): MAE = 48.6, RMSE = 77.9 (PartA), что превосходит P2PNet и PSDNN_CHat.
• Подсчёт рисовых метёлок: достигнута высокая точность с RMSE = 1.76 и R² = 0.965.
• На снимках рисового полога (с высоты 7 м): R² > 0.98 для разных типов метёлок (компактные, промежуточные, открытые). Точность незначительно снижается на поздних стадиях из-за усиления окклюзии.
• Абляционные исследования подтвердили, что использование LKconv снизило RMSE с 2.821 до 0.846 и сократило количество параметров модели почти на 50%. Наилучший результат (R² = 0.993) показал модуль с последовательным большим ядром и механизмом внимания.

Значение для сельского хозяйства

LKNet, разработанная командой Song Chen из Китайской академии сельскохозяйственных наук, устанавливает новый стандарт для высокопроизводительного фенотипирования на основе снимков с БПЛА. Модель адаптируется к реальной изменчивости полевых условий и позволяет точно оценивать параметры, важные для прогнозирования урожайности и селекции, без трудоёмкой ручной разметки.