详细内容或原文请订阅后点击阅览
深度学习工具设定了基准，以精确的米圆锥体跨增长阶段计数
通过整合大内核卷积块和新的损失函数，Lnnket有效地解决了诸如重叠目标，注释偏差和跨生长阶段的圆锥体结构的可变性之类的挑战。该模型在无人机图像和多个农作物数据集上进行了测试，显示出卓越的性能和鲁棒性，为精确农业和作物提供了高通量解决方案。
来源:英国物理学家网首页通过整合大内核卷积块和新的损失函数，Lnnket有效地解决了诸如重叠目标，注释偏差和跨生长阶段的圆锥体结构的可变性之类的挑战。该模型在无人机图像和多个农作物数据集上进行了测试，显示出卓越的性能和鲁棒性，为精确农业和作物提供了高通量解决方案。
大米圆锥体计数历史上依赖于检测，密度或基于位置的方法。但是，检测模型在拥挤的檐篷中挣扎，而基于密度的模型对背景干扰敏感。基于位置的方法（例如P2PNET）提供了简单性和可解释性，但受到野外限制和标签不准确的限制。
这些挑战是在水稻类型和生长阶段的圆锥体变化中加剧的。在解决这些问题时，新的LKNET模型通过动态的接受场适应和更灵活的损耗函数扩展了P2PNET的框架，以提高计数稳健性和准确性。
中国农业科学学院发表在《植物现象学》上发表的一项研究，支持一系列农业应用 - 从产量预测到育种表型，不需要时间密集型手动注释。
研究为了评估所提出的LKNET模型的有效性，研究团队在多个数据集中进行了一系列比较和消融实验，并计算任务。该模型使用大内核卷积块（LKCONV）和优化的本地化损失函数设计，首先是针对人群和农作物计数数据集的现有方法进行了基准测试的。
当前模型 更多信息： doi：10.1016/j.plaple.2025.100003