DeepLabv3+ Avanzado Optimiza la Cosecha de Filamentos de Azafrán con Alta Precisión

Un equipo de investigación ha desarrollado un algoritmo DeepLabv3+ mejorado para detectar y localizar con precisión los puntos de recolección de filamentos de cártamo. Al utilizar la red ligera ShuffleNetV2 e incorporar la atención del bloque convolucional, el método logró una alta precisión con una precisión de píxel media del 95,84% y una intersección media sobre unión del 96,87%. Este avance reduce la interferencia de fondo y mejora la visibilidad del filamento. El método muestra potencial para mejorar el rendimiento del robot de cosecha, ofreciendo aplicaciones prometedoras para la cosecha precisa de filamentos y la automatización agrícola.

El cártamo es un cultivo crucial para diversos usos, pero los métodos de recolección actuales, que requieren mucha mano de obra, son ineficientes. La investigación existente sobre la segmentación de flores utilizando el aprendizaje profundo muestra promesas, pero lucha con los fondos de color cercano y los contornos borrosos.

Un estudio (DOI: 10.34133/plantphenomics.0194) publicado en Plant Phenomics el 7 de mayo de 2024. Este estudio aborda estos desafíos al proponer un método de localización de filamentos basado en un algoritmo DeepLabv3+ mejorado, que incorpora una red ligera y módulos de atención.

Para mejorar el rendimiento del algoritmo y disminuir el sobreajuste, el algoritmo SDC-DeepLabv3+ se entrenó con una tasa de aprendizaje inicial de 0,01, un tamaño de lote de ocho y 1.000 iteraciones. Utilizando el optimizador SGD, la tasa de aprendizaje se ajustó si la precisión no aumentaba en 15 rondas. El proceso de entrenamiento mostró una disminución rápida en el valor de pérdida en las primeras 163 rondas, estabilizándose después de 902 rondas. La precisión media de píxeles (mPA) alcanzó el 92,61%, lo que indica una convergencia exitosa. Las pruebas de ablación revelaron que la integración de ShuffletNetV2 y DDSC-ASPP mejoró la intersección media sobre unión (mIoU) al 95,84% y la mPA al 96,87%. En comparación con el DeepLabv3+ tradicional, el algoritmo mejorado redujo los parámetros y aumentó los FPS, destacando su eficiencia. Otras comparaciones mostraron que SDC-DeepLabv3+ superó a otros algoritmos de segmentación, logrando una mayor precisión y velocidades de predicción más rápidas. Las pruebas bajo diversas condiciones climáticas confirmaron la robustez del algoritmo, con las tasas de éxito más altas para la localización y la recolección de filamentos observadas en días soleados. Las pruebas de medición de profundidad identificaron un rango óptimo de 450-510 mm, minimizando los errores de localización visual. El algoritmo mejorado demostró un potencial significativo para la cosecha precisa y eficiente del cártamo en entornos complejos.

Según el investigador principal del estudio, Zhenguo Zhang: “Los resultados muestran que el método de localización propuesto ofrece un enfoque viable para la localización precisa de la cosecha”.

En resumen, este estudio desarrolló un método para detectar y localizar con precisión los puntos de recolección de filamentos de cártamo utilizando un algoritmo DeepLabv3+ mejorado. La investigación futura se centrará en extender el algoritmo a diferentes variedades de cártamo y cultivos similares, y optimizar los mecanismos de atención para mejorar aún más el rendimiento de la segmentación.

###

Referencias

DOI

10.34133/plantphenomics.0194

URL de origen original

https://doi.org/10.34133/plantphenomics.0194

Autores

Zhenyu Xing^{1, 3}, Zhenguo Zhang^{1, 2, *}, Yunze Wang¹, Peng Xu¹, Quanfeng Guo¹, ChaoZeng¹, Ruimeng Shi¹

Afiliaciones

1 Facultad de Ingeniería Mecánica y Eléctrica, Universidad Agrícola de Xinjiang, Urumqi 830052, China

2 Laboratorio clave de equipos agrícolas inteligentes de Xinjiang, Urumqi 830052, China

3 Laboratorio clave de equipos e robótica inteligentes para la agricultura de la provincia de Zhejiang, Hangzhou 310058, China

*Dirigir correspondencia a: zhangzhenguo@xjau.edu.cn

Información de financiación

Este trabajo fue apoyado en parte por la Fundación Nacional de Ciencias Naturales de China [números de subvenciones 52265041 y 31901417]; los Temas Abiertos del Laboratorio Clave Provincial de Zhejiang para Equipos e Robótica Inteligentes para la Agricultura, China [número de subvención 2022ZJZD2202], y el Programa de Investigación e Innovación de Nivel de Posgrado de la Universidad Agrícola de Xinjiang, China [número de subvención XJAUGRI2023021].

Acerca de Plant Phenomics

Plant Phenomics es una revista de acceso abierto publicada en afiliación con el Laboratorio Estatal Clave de Genética y Mejora de Cultivos, Universidad Agrícola de Nanjing (NAU) y publicada por la Asociación Estadounidense para el Avance de la Ciencia (AAAS). Al igual que todos los socios que participan en el programa Science Partner Journal, Plant Phenomics es editorialmente independiente de la familia de revistas Science. Las decisiones editoriales y las actividades científicas que lleva a cabo el Consejo Editorial se toman de forma independiente, basándose en el mérito científico y adhiriéndose a los más altos estándares para la promoción precisa y ética de la ciencia. Estas decisiones y actividades no están influenciadas en modo alguno por el apoyo financiero de NAU, la administración de NAU o cualquier otra institución y patrocinadores. El Consejo Editorial es el único responsable de todo el contenido publicado en la revista. Para obtener más información sobre el programa Science Partner Journal, visite la página de inicio del programa SPJ.