I ricercatori hanno sviluppato un approccio rivoluzionario per contare in modo preciso e efficiente le spighe di mais, un passaggio cruciale per la stima del rendimento e la gestione delle colture. Tradizionalmente, il conteggio delle spighe veniva effettuato manualmente o attraverso tecniche di imaging di base e di apprendimento automatico, che richiedono molto tempo e sono soggette a errori a causa delle interferenze ambientali.
Per affrontare queste limitazioni, lo studio, pubblicato da Plant Phenomics, introduce un nuovo metodo chiamato Multiscale Lite Attention Enhancement Network (MLAENet). Questo approccio utilizza reti neurali convoluzionali profonde (CNN) e metodi di stima della mappa di densità per aumentare l’accuratezza e l’efficienza.
MLAENet incorpora un modulo di estrazione delle caratteristiche a column lite multicolumn per generare mappe di densità dipendenti dalla scala, consentendo una migliore visualizzazione della distribuzione spaziale. Il metodo integra anche una strategia di attenzione per differenziare le spighe di mais dai contesti complessi. Inoltre, un innovativo modulo di up-sampling chiamato UP-Block migliora la qualità delle mappe di densità.
L’efficacia di MLAENet è stata validata su due set di dati pubblici, dimostrando una precisione di conteggio superiore e una velocità di inferenza rispetto ai metodi esistenti. Il modello è riuscito a distinguere in modo efficiente le spighe di mais da altre piante, anche in condizioni sfidanti come lunghe distanze di ripresa o occlusioni severe.
In particolare, MLAENet ha ottenuto una velocità impressionante di 32,90 fotogrammi al secondo (FPS) su immagini ad alta risoluzione mantenendo al contempo un’alta precisione. Ciò lo rende adatto per applicazioni in tempo reale nella gestione delle colture.
Il design sperimentale dello studio ha coinvolto software e hardware sofisticati, inclusi PyTorch, CUDA e una NVIDIA GeForce RTX 3090Ti. È stata utilizzata la filtrazione gaussiana per la generazione della mappa di densità, con parametri di propagazione adattivi basati sulle distanze delle spighe di mais.
In conclusione, MLAENet rappresenta una svolta significativa nel conteggio delle spighe di mais, fornendo mappe di densità di alta qualità e prestazioni robuste. Sviluppi futuri potrebbero concentrarsi sulla implementazione di metodi avanzati di estrazione delle caratteristiche per migliorare ulteriormente l’efficienza della rete. Questa ricerca ha un grande potenziale per migliorare la gestione delle colture e aumentare il rendimento del mais.
The source of the article is from the blog papodemusica.com