מחקרנים פיתחו גישה חדשנית לספירה מדויקת ויעילה של שלישיות תירס, שלב חיוני בהערכת משיכת התבואה ובניהול מקורב של הגידולים. בדרך כלל, ספירת השלישיות נעשתה באופן ידני או דרך טכניקות תמונה בסיסיות ולמידת מכונה, שהן זמן-צרות ומוצאות לשגיאות עקב אינטרפרנציה סביבתית.
למען פתרון הגבולות הללו, מחקר המופיע במגזין המתמחה "פלנט פינומיס", מציג שיטה חדשה בשם "רשת האפשרויות לשיפור התרגום המשולב הפולשי" (MLAENet). גישה זו משתמשת ברשתות נוירונים עמוקות בינוניות ב ובשיטות לחישת מפות צפיפות כדי לשפר את המדיות ואת היעילות.
MLAENet משלב מודול ספיגה עם יכולת הפקה שמאפשרים לקבל מפות צפיפות התלוות בגודל, מאפשרת ויזואליזציה משופרת של התפקוד המרחבי. השיטה משלבת בנוסף יכולת מיוחדת להבחנה של שלישיות תירס מרקעות מורכבים. בנוסף, מודול חדשני לתהליך Upsampling, מכונה UP-Block, שמשפר את איכות המפות הצפיפות.
היכולת היעילות של MLAENet אומתה על שני סטי נתונים ציבוריים, המראים דיוק קיפולן ומהירות שם שחזור שמוערכה בהשוואה לשיטות קיימות. המודל הבין קלות של השלישיות תירס מצמחים אחרים, גם תחת תנאים מאתגרים כמו מרחקים חילופי עצירה גדולים או חסימת רבתיים.
שימובים מיוחדים:
ה"רשת האפשרויות לשיפור התרגום המשולב הפולשי" השיגה מהירות מרשימה של 32.90 לבעירות בשניות (FPS) על צילומים ברזולוציה רגילה תוך שמירה על דיוק גבוה. זה מהותה מתאימה ליישומים בזמן אמת בניהול מקורב של הגידולים.
בניסויי המחקר השתמשו בתוכנה ובחומרה מתקדמים, כולל PyTorch, CUDA וNVIDIA GeForce RTX 3090Ti. עשו שימוש בסינון גאוסיאן ליצירת מפות צפיפות, עם פרמטרים פרופוגניים מותאמים חלקיקים בהתאם למרחקים של השלישיות תירס.
למסקנה המחקרית משמעות עמוקה בספירת השלישיות תירס, הספקת מפות צפיפות באיכות גבוהה וביצועים יציבים. התקדמויות עתידיות יתמקדו ביישום שיטות מתקדמות לחישת מאפיינים מתקדמים על מנת לשפר ביצועים נוספים של הרשת. המחקר זה יכולם לשפר את ניהול מקורב של הגידולים ולהגביר את תוצאות התירס
The source of the article is from the blog japan-pc.jp