Aug, 2023

推进病毒黄化病的早期检测：开发糖菜田自动计数飞虱的混合卷积神经网络

PDF
TL;DR研究提出了一种集成检测网络和密度图估计网络的混合自动蚜虫计数网络架构，通过对比实验验证了该方法在计算蚜虫数量方面优于其他所有方法，提供了对甜菜田蚜虫引发的病毒黄病风险的有效预警，保护甜菜生长并确保甜菜产量。
发现论文，激发创造
  • 野外利用深度学习模型识别和检测蚜虫群

    使用深度学习模型检测蚜虫簇集，我们提出了一种新的方法来估计感染水平。通过对多麦科田野捕捉的 5,447 张图像中的蚜虫集群进行手动选择并进行注释，我们构建了一个庞大的数据集。然后，我们在该数据集上实施和比较了四种最先进的目标检测模型（VFNet、GFLV2、PAA 和 ATSS）的性能。结果表明，所有模型在平均精度和召回率方面都表现出稳定的相似性能。我们进一步提出合并紧邻簇集和去除由裁剪引起的小簇集的方法，使性能进一步提升约 17%。该研究证明了使用机器学习模型自动检测和管理昆虫的可行性，并将该标注数据集公开提供给研究界。

    Aug, 2023

  • 高粱田蚜虫簇集检测与分割的新数据集及比较研究

    为了解决蚜虫侵袭的问题，该研究开发了一个大规模多尺度数据集，用于蚜虫集群的检测和分割，并进行了四个实时语义分割模型和三个物体检测模型的训练和评估。在准确性和效率之间取得平衡的情况下，Fast-SCNN 提供了最有效的分割结果，实现了 80.46% 的平均精确率，81.21% 的平均召回率和每秒 91.66 帧。在物体检测方面，RT-DETR 表现出了最佳的综合性能，在 NVIDIA V100 GPU 上获得 61.63% 的平均精度、92.6% 的平均召回率和 72.55 的得分。实验证明，相比使用检测模型，蚜虫集群的分割更适合评估蚜虫侵袭。

    May, 2024

  • 数据集与比较研究：蚜虫聚集检测

    本文提出了一种检测蚜虫集群的方法，通过使用机器学习模型和对象检测技术对图像进行分析，以准确地评估感染水平，精确定位并应用杀虫剂，以最大程度地提高农作物产量和避免环境污染和成本浪费。

    Jul, 2023

  • WheatNet: 一种用于高通量基于图像的小麦穗检测与计数的轻量级卷积神经网络

    本文介绍了一种基于深度学习的新型框架 WheatNet，能够快速高效地计算麦田中小麦穗的数量和位置，并在植物育种决策过程中提供实时数据收集的帮助，解决手动记录植物观测数据带来的劳动密集性问题。

    Mar, 2021

  • 计算机视觉用于自动蜜蜂计数应用的方法

    通过计算机视觉技术对蜜蜂群的健康状态进行监测，本研究比较了三种自动蜜蜂计数方法，并发现基于 ResNet-50 卷积神经网络分类器的算法在 BUT1 和 BUT2 数据集上分别达到了 87% 和 93% 的准确率。

    Jun, 2024

  • SoybeanNet：基于 Transformer 的卷积神经网络用于无人机（UAV）图像中的大豆果荚计数

    利用来自美国密歇根州大豆田的无人机图像，本文提出了一种准确计数大豆荚的先驱性工作，使用强大的变换器骨干网络来进行大豆荚的同时计数和定位，并提供了新的大豆荚数据集，为未来的大豆荚计数和相关领域的研究提供了有价值的资源。

    Oct, 2023

  • 使用神经网络进行埃及伊蚊卵计数的目标检测

    本研究提出了一个新的数据集，其中包括野外和实验室的蚊子卵以及三个应用于该任务的神经网络（Faster R-CNN，Side-Aware Boundary Localization 和 FoveaBox）的测试结果，用于自动化计数蚊子卵的任务。

    Mar, 2024

  • 利用领域随机化和物体追踪神经网络进行种子核计数

    使用合成图像训练神经网络模型和物体跟踪算法，开发了一种低成本的种仁计数器，能够准确估计玉米和小麦的产量。

    Aug, 2023

  • 利用无人机遥感影像和点雾喷雾技术的志愿者棉花检测计算机视觉研究

    利用 YOLOv5m 和低分辨率多光谱图像成功检测和定位了玉米田中自发棉苗的生长状态，进而开发了一种基于自主机系统 (Unmanned Aircraft Systems) 的喷雾应用，用于有效管理棉铃虫害。

    Jul, 2022

  • 基于无人机遥感图像和深度学习的玉米田志愿毛棉植株检测

    本文介绍了使用无人机搜集的三波段航空图像使用 YOLOv3 检测玉米田中的志愿棉植物，结果发现经过训练的 YOLOv3 模型可用于计算机视觉驱动的航空应用系统 (RPAAS) 实现志愿棉植物的检测和喷涂，具备实时性。

    Jul, 2022