Een recent onderzoek gepubliceerd door Plant Phenomics introduceert WheatNet, een baanbrekende methode die de detectie van spikes in tarwegewassen revolutioneert. Met de toenemende vraag naar precisielandbouw is het nauwkeurig detecteren van tarwespikes door middel van fenotypering cruciaal geworden voor het maximaliseren van de opbrengst van gewassen.
Hoewel diepe leermodellen veelbelovend zijn gebleken op dit gebied, hebben ze nog steeds moeite om zich aan te passen aan de dynamische aard van de tarwegroei, vooral bij het omgaan met kleurvariaties in verschillende stadia. Deze beperking heeft geleid tot verminderde aanpassingsvermogen en nauwkeurigheid. Echter, de onderzoeksgemeenschap werkt onvermoeibaar om neurale netwerken te optimaliseren voor betere functie-extractie en classificatie.
Het in Plant Phenomics gepresenteerde onderzoek stelt WheatNet voor als een nieuwe oplossing voor het detecteren van kleine en georiënteerde tarwespikes in UAV-beelden van de vulling tot de rijpingsstadia. WheatNet omvat een Transform Network om kleurkenmerkafwijkingen te minimaliseren en een Detection Network om de detectiemogelijkheden te verbeteren. Het introduceert ook een Circle Smooth Label voor het classificeren van tarwespikhoeken, evenals een detectielaag op microschaal voor het extraheren van kleine spikekenmerken.
De resultaten van het onderzoek zijn indrukwekkend. WheatNet behaalde een gemiddelde precisie van 89,7% voor spike-detectie en beschreef nauwkeurig de morfologie van de spikes. Zelfs bij een recall-rate van 0,95 presteerde WheatNet beter dan andere methoden met zijn hoge precisie. De detectiesnelheid van het netwerk bereikte een indrukwekkende 20 FPS en het toonde een uitstekende telnauwkeurigheid met lage RMSEc, rRMSEc en MAEc-waarden.
De baanbrekende kenmerken van WheatNet gaan in op de uitdagingen waarmee eerdere detectiemodellen worden geconfronteerd. Zijn vermogen om detectiefouten te verminderen die worden veroorzaakt door kleurvariaties tussen de verschillende stadia, maakt het zeer geschikt voor veldtoepassingen en nauwkeurige opbrengstvoorspelling. Bovendien gaat WheatNet verder dan enkelvoudige detectiemodellen door zich aan te passen aan meerdere groeistadia met behoud van uitzonderlijke nauwkeurigheid.
Deze doorbraak in spikerdetectie brengt ons een stap dichter bij het bereiken van precisielandbouw en het maximaliseren van de opbrengst van gewassen. De integratie van WheatNet in landbouwpraktijken heeft het potentieel om de industrie te revolutioneren en de algehele productiviteit te verbeteren.