Cercetătorii au dezvoltat o abordare inovatoare pentru a număra în mod precis și eficient căpățânile de porumb, un pas crucial în estimarea randamentului și gestionarea culturilor. Tradițional, numărarea căpățânilor se realiza manual sau prin tehnici de imagistică de bază și învățare automată, care consumau mult timp și erau susceptibile la erori din cauza interferenței mediului.
Pentru a depăși aceste limitări, studiul, publicat de Plant Phenomics, introduce o metodă nouă numită Multiscale Lite Attention Enhancement Network (MLAENet). Această abordare utilizează rețele neuronale convoluționale profunde (CNN) și metode de estimare a hărților de densitate pentru a îmbunătăți precizia și eficiența.
MLAENet integrează un modul de extracție a caracteristicilor lite multicolumnă pentru a genera hărți de densitate dependente de scară, permițând o mai bună vizualizare a distribuției spațiale. Metoda integrează și o strategie de atenție pentru a diferenția căpățânile de porumb de fundalurile complexe. În plus, un modul inovator de up-sampling numit UP-Block îmbunătățește calitatea hărților de densitate.
Eficiența MLAENet a fost validată pe două seturi de date publice, demonstrând o acuratețe superioară și o viteză de inferență în raport cu metodele existente. Modelul a distins eficient căpățânile de porumb de alte plante, chiar și în condiții dificile, cum ar fi distanțe mari de fotografiere sau occluderi severe.
De remarcat este faptul că MLAENet a obținut o viteză impresionantă de 32.90 de cadre pe secundă (FPS) pe imagini cu rezoluție standard, menținând în același timp o precizie ridicată. Aceasta face ca metoda să fie potrivită pentru aplicații în timp real în gestionarea culturilor.
Experimentul studiului a implicat software și hardware sofisticate, inclusiv PyTorch, CUDA și o placă grafică NVIDIA GeForce RTX 3090Ti. Filtrarea gaussiană a fost folosită pentru generarea hărților de densitate, cu parametri de propagare adaptivi în funcție de distanțele dintre căpățâniile de porumb.
În concluzie, MLAENet reprezintă o descoperire semnificativă în numărarea căpățânilor de porumb, oferind hărți de densitate de înaltă calitate și performanță robustă. În viitor, îmbunătățirile pot fi concentrate pe implementarea unor metode avansate de extragere a caracteristicilor pentru a crește și mai mult eficiența rețelei. Această cercetare are un mare potențial pentru îmbunătățirea gestionării culturilor și creșterea randamentului de porumb.