Investigadores han desarrollado un enfoque revolucionario para contar de manera precisa y eficiente las borlas de maíz, un paso crucial en la estimación del rendimiento y la gestión de cultivos. Tradicionalmente, el conteo de borlas se ha realizado de forma manual o a través de técnicas básicas de imágenes y aprendizaje automático, que son lentas y propensas a errores debido a las interferencias ambientales.
Para abordar estas limitaciones, el estudio publicado por Plant Phenomics introduce un método novedoso llamado Multiscale Lite Attention Enhancement Network (MLAENet). Este enfoque utiliza redes neuronales convolucionales profundas (CNNs) y métodos de estimación de mapas de densidad para mejorar la precisión y eficiencia.
MLAENet incorpora un módulo de extracción de características en múltiples columnas para generar mapas de densidad dependientes de la escala, lo que permite mejorar la visualización de la distribución espacial. El método también integra una estrategia de atención para diferenciar las borlas de maíz de los fondos complejos. Además, un módulo innovador de upsampling llamado UP-Block mejora la calidad de los mapas de densidad.
La eficacia de MLAENet se validó en dos conjuntos de datos públicos, demostrando una precisión de conteo superior y una velocidad de inferencia más rápida en comparación con los métodos existentes. El modelo diferenció eficientemente las borlas de maíz de otras plantas, incluso en condiciones desafiantes como grandes distancias de disparo u obstrucciones severas.
Es importante destacar que MLAENet logró una velocidad impresionante de 32.90 frames por segundo (FPS) en imágenes de resolución estándar, manteniendo una alta precisión. Esto lo hace adecuado para aplicaciones en tiempo real en la gestión de cultivos.
El diseño experimental del estudio involucró software y hardware sofisticados, incluyendo PyTorch, CUDA y una NVIDIA GeForce RTX 3090Ti. Se utilizó un filtrado gaussiano para la generación de mapas de densidad, con parámetros de propagación adaptativa basados en las distancias de las borlas de maíz.
En conclusión, MLAENet representa un avance significativo en el conteo de borlas de maíz, proporcionando mapas de densidad de alta calidad y un rendimiento robusto. Futuros avances pueden enfocarse en implementar métodos avanzados de extracción de características para mejorar aún más la eficiencia de la red. Esta investigación tiene un gran potencial para mejorar la gestión de cultivos y aumentar el rendimiento del maíz.
The source of the article is from the blog agogs.sk