최근 Plant Phenomics에 발표된 한 연구는 WheatNet이라는 혁신적인 방법을 소개하여 밀 작물에서의 차선 탐지를 혁신적으로 개선했다. 정밀 농업에 대한 요구가 증가하면서 형질화를 통한 밀 차선의 정확한 탐지는 작물 수확량을 극대화하는 데 매우 중요해졌다.
심층 학습 모델은 이 분야에서 약속을 보였지만, 특히 다른 단계에서의 색상 변화와 같은 밀의 동적 성질에 적응하기 어렵다는 문제가 여전히 있다. 이 제한으로 인해 적응성과 정확성이 감소되었다. 그러나 연구 커뮤니티는 다른 특징 추출과 분류를 위해 신경망을 최적화하는데 끊임없이 노력하고 있다.
Plant Phenomics에서 발표된 이 연구는 WheatNet을 UAV 이미지에서 차선을 탐지하기 위한 혁신적인 솔루션으로 제안한다. WheatNet은 색상 특징의 불일치를 최소화하기 위한 변환 네트워크와 탐지 능력을 강화하기 위한 탐지 네트워크를 통합한다. 또한 밀 차선 각도를 분류하기 위한 Circle Smooth Label을 소개하고 작은 차선 특징을 추출하기 위한 미세 스케일 탐지 층을 도입한다.
연구 결과는 인상적이다. WheatNet은 차선 탐지의 평균 정확도가 89.7%로, 차선의 형태를 정확하게 설명했다. WheatNet은 높은 정밀도로 다른 방법을 능가했으며, 0.95의 검출률에서도 뛰어난 성능을 발휘했다. 네트워크의 검출 속도는 20FPS로 인상적이며, 낮은 RMSEc, rRMSEc 및 MAEc 값으로 훌륭한 수량 정확도를 나타냈다.
WheatNet의 혁신적인 기능은 이전 탐지 모델이 직면한 도전에 대처한다. WheatNet은 단계 간 색상 특징 변화로 인한 검출 오류를 줄일 수 있는 능력으로 현장 응용 및 정확한 수확량 예측에 매우 적합하다. 게다가 WheatNet은 탁월한 정확성을 유지하면서 다양한 성장 단계에 적응하는 단일 단계 탐지 모델을 넘어서기도 한다.
이 차선 탐지의 돌파구는 정밀 농업의 실현과 작물 수확량의 극대화에 한 발짝 더 다가갈 수 있게 해준다. WheatNet의 농업에 통합되면 산업을 혁신하고 전체 생산성을 향상시킬 잠재력을 가지고 있다.
The source of the article is from the blog publicsectortravel.org.uk