연구자들은 옥수수 꽃대를 정확하고 효율적으로 계수하기 위한 혁신적인 방법을 개발했습니다. 꽃대 계수는 수확량 측정과 작물 관리에 있어서 중요한 단계입니다. 전통적으로 꽃대 계수는 수동으로 또는 기본적인 이미지 처리 및 기계 학습 기술을 통해 이루어져 왔는데, 이러한 방법은 환경적 간섭으로 인해 시간이 많이 소요되고 오차가 발생하기 쉽습니다.
이러한 제한사항을 극복하기 위해 Plant Phenomics에서 발표된 연구는 Multiscale Lite Attention Enhancement Network (MLAENet)라는 혁신적인 방법을 소개합니다. 이 방법은 깊은 합성곱 신경망(CNNs)과 밀도 맵 추정 기법을 활용하여 정확도와 효율성을 향상시킵니다.
MLAENet은 다양한 스케일의 밀도 맵을 생성하기 위해 다중 컬럼 라이트 특징 추출 모듈을 도입하여 공간 분포 시각화를 개선합니다. 이 방법은 복잡한 배경에서 옥수수 꽃대를 구별하기 위한 어텐션 전략을 통합합니다. 또한 UP-Block이라는 혁신적인 업-샘플링 모듈을 통해 밀도 맵의 품질을 향상시킵니다.
MLAENet의 효능은 두 개의 공개 데이터셋에서 검증되었으며, 기존 방법과 비교하여 우수한 계수 정확도와 추론 속도를 보였습니다. 이 모델은 큰 촬영 거리나 심한 가리개 같은 어려운 조건에서도 옥수수 꽃대를 다른 식물들과 효과적으로 구별할 수 있었습니다.
특히, MLAENet은 고해상도 이미지에서 32.90 프레임/초라는 놀라운 속도로 작동하면서 높은 정확도를 유지합니다. 이로써 이 모델은 작물 관리에서 실시간 응용에 적합해집니다.
이 연구의 실험 설계에는 PyTorch, CUDA 및 NVIDIA GeForce RTX 3090Ti와 같은 고급 소프트웨어 및 하드웨어가 사용되었습니다. 옥수수 꽃대 거리에 기반한 적응적 전파 매개변수를 사용하여 밀도 맵 생성을 위해 가우시안 필터링이 적용되었습니다.
결론적으로, MLAENet은 옥수수 꽃대 계수에서 높은 품질의 밀도 맵과 강력한 성능을 제공하는 중요한 발전을 나타냅니다. 앞으로의 연구는 네트워크의 효율성을 더욱 향상시키기 위해 고급 특징 추출 방법을 구현하는 데 초점을 맞출 수 있습니다. 이 연구는 작물 관리의 개선과 옥수수 수확량 증가에 큰 잠재력을 가지고 있습니다.
The source of the article is from the blog bitperfect.pe