MLAENet: новый подход для точного подсчёта метёлок кукурузы

Подсчёт метёлок кукурузы критически важен для оценки урожайности, но традиционные методы (ручной подсчёт, базовые алгоритмы) страдают от влияния окружающей среды и низкой эффективности. Методы на основе глубокого обучения (CNN) сталкиваются с проблемами из-за переменного размера метёлок и сложного фона.

Новое исследование, опубликованное в Plant Phenomics, предлагает решение — Multiscale Lite Attention Enhancement Network (MLAENet). Это метод подсчёта на основе карт плотности, использующий только точечные аннотации.

Ключевые компоненты MLAENet:

• Многоколоночный модуль извлечения признаков: использует множественные расширенные свертки для создания карт плотности, учитывающих разный масштаб объектов.
• Модуль усиления признаков: интегрирует стратегию внимания для отделения метёлок от сложного фона.
• UP-Block: инновационный модуль повышения разрешения для улучшения качества итоговых карт плотности.

Результаты и эффективность:

Модель была протестирована на двух публичных наборах данных с использованием метрик MAE, RMSE, R² и SMAPE.

• Точность: MLAENet превзошла современные методы (MCNN, CSRNet, MPS) по точности подсчёта и качеству карт плотности, особенно в условиях сильной вариации масштаба и окклюзии.
• Скорость: Достигнута скорость обработки 32.90 кадра в секунду (FPS) на изображениях стандартного разрешения, что значительно быстрее аналогов. Это обеспечивается сбалансированной архитектурой (включая LCB — Lite Convolutional Block).

Вывод:

MLAENet демонстрирует прорыв в автоматическом подсчёте метёлок кукурузы, сочетая высокую точность, устойчивость к сложным условиям и скорость, пригодную для применения в реальном времени. Дальнейшее развитие может быть направлено на внедрение более совершенных методов извлечения признаков для повышения эффективности сети.