Un reciente estudio titulado «Una red point-supervised de múltiples escalas para contar espigas de maíz silvestre» ha presentado un enfoque revolucionario de aprendizaje profundo para contar espigas de maíz. La técnica, conocida como Red Multiescala de Mejora de Atención Lite (MLAENet), utiliza anotaciones a nivel de punto para generar mapas de densidad de diferentes escalas. Incorpora módulos para la extracción de características, estrategia de atención y una innovadora técnica de aumento de muestreo para mejorar la calidad de los mapas de densidad.
MLAENet ha sido ampliamente probado en dos conjuntos de datos públicos y los resultados son impresionantes. Supera a los métodos existentes en términos de precisión de conteo y velocidad de inferencia, incluso cuando se enfrenta a desafíos como tamaños variables de las espigas y fondos complejos. Esta nueva técnica logra el equilibrio perfecto entre velocidad y precisión, lo que la hace excepcionalmente adecuada para aplicaciones en tiempo real, lo cual es crucial en el panorama tecnológico agrícola en constante avance en la actualidad.
El equipo de investigación detrás de MLAENet utilizó una combinación de PyTorch, CUDA y hardware NVIDIA en su configuración experimental. También utilizaron técnicas como filtrado gaussiano y determinación adaptativa de parámetros para mejorar el rendimiento. La precisión del modelo se evaluó utilizando métricas como el Error Absoluto Medio (MAE), el Error Cuadrático Medio (RMSE), el coeficiente de correlación (R) y el Error Porcentual Absoluto Medio Simétrico (SMAPE). De manera impresionante, el modelo mostró una alta precisión y robustez, desempeñándose particularmente bien en escenarios con escalas variables.
Este innovador estudio fue publicado en la prestigiosa revista Plant Phenomics en octubre de 2023. Fue un esfuerzo de colaboración entre investigadores de la Universidad Forestal de Nanjing, la Universidad de Warwick y la Universidad Agrícola de Nanjing. El profesor asociado Xijian Fan de la Universidad Forestal de Nanjing, un respetado experto en procesamiento de imágenes, visión por computadora y reconocimiento de patrones, desempeñó un papel importante en liderar esta investigación pionera.
El desarrollo de MLAENet marca un avance significativo en la tecnología de conteo de cultivos. Con sus capacidades avanzadas y su rendimiento excepcional, esta técnica de aprendizaje profundo está lista para revolucionar la forma en que se cuentan las espigas de maíz, abriendo nuevas posibilidades para la agricultura de precisión y el manejo de cultivos.
The source of the article is from the blog exofeed.nl