Oct, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 从合成的体外大豆荚数据集迁移学习，用于原位分割大豆枝上的豆荚

    该研究提出了一种从合成数据集进行迁移学习的方法，用于解决现实世界中大规模农业数据集获取困难的问题，并成功地将其应用于大豆枝上豆荚的图像分割。

    Apr, 2022

  • 从幼苗到收获：利用实例分割技术进行大豆作物中的杂草检测的 GrowingSoy 数据集

    通过实例分割技术，我们使用一个全面的数据集训练神经网络，以检测杂草和大豆植物的生长阶段，并提供了 6 个先进模型，实现了在所有植物类别中 79.1% 的平均精度和 69.2% 的平均召回率。

    Jun, 2024

  • 植物幼苗分类的深度卷积神经网络

    本研究使用深度学习技术中的卷积神经网络与传统算法来进行植物幼苗分类，以达到增加农作物产量、提高生产效率与自动化种植的目的。

    Nov, 2018

  • 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

    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。

    Aug, 2023

  • 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

  • 使用深度卷积和反卷积网络进行叶片计数

    本篇研究提出了一种基于深度学习的数据驱动方法，用于计算植物成像中的叶片数，并在比赛数据集中取得了令人满意的结果。

    Aug, 2017

  • 用连续卷积网络和顺序信息实现精准农业中稳健的作物和杂草检测

    通过卷积神经网络加入空间信息作为特征，实现了在复杂环境下农田杂草与作物的自动分割识别，并在实验中取得了优异的结果。

    Jun, 2018

  • 深度神经网络架构搜索，用于 Nano-UAV 上的精确视觉位姿估计

    运用神经结构搜索技术 (NAS), 我们为视觉姿态估计任务自动确定了几个帕累托最优的卷积神经网络 (CNNs), 以适应小型 UAV 硬件限制的特点，展示了现实生活中多个 NAS 优化的 CNNs 可以在 27 克的 Crazyflie 纳米 UAV 上运行，并通过降低 32％的实地控制误差，具有实时的推断速率～10Hz@10mW 和～50Hz@90mW，从而进一步优化了 CNNs。

    Mar, 2023

  • PhytNet：定制植物数据的适应性卷积神经网络

    自动疾病分类、杂草分类和作物分类是农业未来中非常重要的一部分，通过计算机视觉进行自动化，然而现有的模型架构如 ResNet、EfficientNet 和 ConvNeXt 在类似项目的小规模专门数据集上常常表现不佳，我们通过数据采集和开发新的 CNN 架构 PhytNet 来填补这一空白，利用红外可可树图像的新数据集，展示 PhytNet 的发展并将其性能与现有架构进行比较，数据采集受到光谱分析数据的启发，该数据提供了有关可可树的光谱特性的有用见解，这些信息可以指导未来的数据采集和模型发展，鉴于可可树病害的多样性，因此选择可可树作为焦点物种是因为其病害存在较大的挑战，ResNet18 显示出一些过拟合迹象，而 EfficientNet 变体则显示出明显的过拟合迹象，相比之下，PhytNet 对相关特征具有良好的关注度，没有过拟合，而且计算成本异常低（1.19 GFLOPS），因此 PhytNet 是快速疾病或植物分类，或疾病症状的精确定位自主系统的有希望的候选方案。

    Nov, 2023