Forscher haben einen bahnbrechenden Ansatz entwickelt, um Maisquasten genau und effizient zu zählen, was ein wichtiger Schritt zur Ertragsabschätzung und zum Pflanzenmanagement ist. Traditionell wurde die Zählung von Quasten manuell oder mithilfe einfacher Bild- und maschineller Lernverfahren durchgeführt, die zeitaufwändig sind und durch Umwelteinflüsse fehleranfällig sind.
Um diese Einschränkungen zu überwinden, stellt die in Plant Phenomics veröffentlichte Studie eine innovative Methode namens Multiscale Lite Attention Enhancement Network (MLAENet) vor. Dieser Ansatz nutzt tiefe faltende neuronale Netzwerke (CNNs) und Methoden zur Schätzung von Dichtekarten, um Genauigkeit und Effizienz zu verbessern.
MLAENet verwendet ein Multi-Spalten-lite-Merkmalsextraktionsmodul, um skalierungsabhängige Dichtekarten zu generieren, was eine verbesserte räumliche Verteilungsvisualisierung ermöglicht. Die Methode integriert auch eine Aufmerksamkeitsstrategie, um Maisquasten von komplexen Hintergründen zu unterscheiden. Darüber hinaus verbessert ein innovatives Upsampling-Modul namens UP-Block die Qualität der Dichtekarten.
Die Wirksamkeit von MLAENet wurde anhand von zwei öffentlichen Datensätzen validiert und zeigte eine höhere Zählgenauigkeit und Inferenzgeschwindigkeit im Vergleich zu bestehenden Methoden. Das Modell konnte Maisquasten auch unter schwierigen Bedingungen wie großen Aufnahmeabständen oder starken Verdeckungen effizient von anderen Pflanzen unterscheiden.
Besonders bemerkenswert ist, dass MLAENet eine beeindruckende Geschwindigkeit von 32,90 Frames pro Sekunde (FPS) bei Standardauflösungsbildern erreichte, während die hohe Genauigkeit beibehalten wurde. Dies macht es für Echtzeitanwendungen im Pflanzenmanagement geeignet.
Das experimentelle Design der Studie umfasste anspruchsvolle Software- und Hardwarekomponenten wie PyTorch, CUDA und eine NVIDIA GeForce RTX 3090Ti. Zur Erzeugung der Dichtekarten wurde eine Gauß’sche Filterung mit adaptiven Ausbreitungsparametern basierend auf den Abständen der Maisquasten verwendet.
Zusammenfassend stellt MLAENet einen bedeutenden Durchbruch bei der Zählung von Maisquasten dar, indem es hochwertige Dichtekarten und robuste Leistung liefert. Zukünftige Fortschritte könnten sich darauf konzentrieren, fortgeschrittene Merkmalsextraktionsmethoden zu implementieren, um die Effizienz des Netzwerks weiter zu verbessern. Diese Forschung hat großes Potenzial, das Pflanzenmanagement zu verbessern und den Maisertrag zu steigern.
The source of the article is from the blog lanoticiadigital.com.ar