Een recente studie getiteld ‘Een Multiscale Point-Supervised Network voor het Tellen van Maïs Pluimen in het Wild’ heeft een revolutionaire deep-learning benadering geïntroduceerd voor het tellen van maïs pluimen. De techniek, bekend als Multiscale Lite Attention Enhancement Network (MLAENet), maakt gebruik van puntniveau annotaties om dichtheidskaarten van verschillende schalen te genereren. Het omvat modules voor feature-extractie, aandachtsstrategie en een innovatieve up-sampling techniek om de kwaliteit van de dichtheidskaarten te verbeteren.
MLAENet is uitgebreid getest op twee openbare datasets en de resultaten zijn indrukwekkend. Het presteert beter dan bestaande methoden wat betreft telnauwkeurigheid en inferentiesnelheid, zelfs bij uitdagingen zoals variërende pluimgroottes en complexe achtergronden. Deze nieuwe techniek slaat de perfecte balans tussen snelheid en nauwkeurigheid, waardoor het uitermate geschikt is voor realtime toepassingen, wat essentieel is in de snel evoluerende agrarische technologielandschap van vandaag.
Het onderzoeksteam achter MLAENet maakte gebruik van een combinatie van PyTorch, CUDA en NVIDIA-hardware in hun experimentele opstelling. Ze maakten ook gebruik van technieken zoals Gaussische filtering en adaptieve parameterbepaling om de prestaties te verbeteren. De nauwkeurigheid van het model werd geëvalueerd aan de hand van metrieken zoals Mean Absolute Error (MAE), Root Mean Square Error (RMSE), correlatiecoëfficiënt (R) en Symmetric Mean Absolute Percentage Error (SMAPE). Indrukwekkend genoeg toonde het model een hoge nauwkeurigheid en robuustheid, vooral in scenario’s met variërende schalen.
Deze baanbrekende studie is gepubliceerd in het gerenommeerde tijdschrift Plant Phenomics in oktober 2023. Het was een samenwerking tussen onderzoekers van de Nanjing Forestry University, University of Warwick en Nanjing Agriculture University. Xijian Fan, universitair hoofddocent aan de Nanjing Forestry University en een gerespecteerd expert op het gebied van beeldverwerking, computervisie en patroonherkenning, speelde een belangrijke rol in dit baanbrekende onderzoek.
De ontwikkeling van MLAENet betekent een significante doorbraak in de technologie voor het tellen van gewassen. Met zijn geavanceerde mogelijkheden en uitzonderlijke prestaties zal deze deep-learning techniek naar verwachting de manier waarop maïs pluimen worden geteld revolutionaliseren, waardoor nieuwe mogelijkheden ontstaan voor precisielandbouw en gewasbeheer.
The source of the article is from the blog smartphonemagazine.nl