在中国南方，经过基因改良的湿地松 (Pinus elliottii) 在木材和树脂生产中发挥着至关重要的作用，其枝条密度也有了新的提高是一个关键的成长特征。目前的手动计数方法效率低且不准确。基于无人机的 RGB 成像和深度学习 (DL) 等新兴技术提供了有前途的解决方案。然而，深度学习方法在全局特征捕获方面面临挑战，需要额外的机制。 Vision Transformer 及其衍生产品(例如 TransCrowd、CCTrans)等创新技术在植物性状计数方面展现出潜力，为大规模、准确的数据处理提供了简化且更有效的方法。这种技术的发展为利用这些先进的深度学习方法来研究湿地松的自动新芽检测提供了机会。
2023 年 7 月，Plant Phenomics< /span>检测和P叫声”。本研究介绍了湿地松芽计数网络(SPSC-net)，这是一个基于 CCTrans 的模型，专为计数湿地松新芽而设计。它包含一个特征金字塔模块，用于精确计数。魔法I唱歌无人机USew Nine鞭打S计数CDCountShoots：自动 发表了一篇研究文章，标题为“
在湿地松树的检测中，比较了YOLOv5、Efficientnet和YOLOX等模型，使用0.5的阈值进行树木识别。 YOLOX 表现出了卓越的精确度、召回率和平均精确度 (AP)，尤其是在较高的 0.75 阈值下。相比之下，Faster-RCNN 的性能最低。对 26 张测试图像的手动计数表明，YOLOX 的误检率较低，而 EfficientNet 的漏检目标最少。 YOLOX 在复杂且重叠的目标场景中表现出色。为了检测新芽，该研究比较了平衡和不平衡的 OT 框架，同时评估了不同的换位成本矩阵。透视引导模型显示出最佳性能，验证了非平衡 OT 对于密度回归的功效。 SPSC-net 在所有模型中实现了最低的 MSE 和 MAE，优于 DM-Count、CSR-net 和 MCNN。散点图和密度图证明了 SPSC-net 的高预测精度。在此基础上，该研究开发了 CountShoots，一种提取和计数湿地松的系统。它在 Flask 框架上实现，具有用于用户交互、模型加载、植物提取和芽计数的模块。该过程包括上传图像、提取植物数据、计算芽数以及提供结果反馈，所有这些都是为了方便用户而简化的。该研究证实了 SPSC-net 在湿地松多尺度图像处理中的有效性。 YOLOX 和 SPSC-net 与其他模型进行了比较，显示出卓越的检测和计数精度。 SPSC-net 的自注意力机制和特征金字塔融合可以实现详细且语义丰富的特征提取。尽管取得了成功，但仍有一些局限性需要考虑，例如冠层的潜在障碍和无人机飞行高度的限制。
总之，该研究开发了一套利用 SPSC-net 和 YOLOX 进行精确湿地松芽计数和树冠检测的综合流程，为林业研究和湿地松遗传育种提供了强大的工具。
免责声明：本文由用户上传，如有侵权请联系删除！
