‘CountShoots’ از تکنیک های پیشرفته پهپاد و هوش مصنوعی برای شمارش دقیق تیرهای کاج اسکاتلندی رونمایی کرد

در جنوب چین، کاج اسکاتلندی بهبود یافته ژنتیکی (Pinus elliottii) نقش مهمی در تولید الوار و رزین ایفا می‌کند و تراکم شاخه جدید یک ویژگی کلیدی رشد است. روش های شمارش دستی فعلی ناکارآمد و نادرست هستند. فناوری های نوظهور مانند تصویربرداری RGB مبتنی بر پهپاد و یادگیری عمیق (DL) راه حل های امیدوارکننده ای را ارائه می دهند.

با این حال، روش‌های DL در گرفتن ویژگی‌های جهانی با چالش‌هایی مواجه هستند که نیازمند مکانیسم‌های اضافی است. نوآوری هایی مانند Vision Transformer و مشتقات آن (به عنوان مثال TransCrowd، CCTrans) پتانسیل را در شمارش صفات گیاهی نشان می دهند و رویکردهای ساده و کارآمدتری را برای پردازش داده در مقیاس بزرگ و دقیق ارائه می دهند. این تکامل فناوری فرصتی را برای بررسی تشخیص خودکار شاخه های جدید در کاج های کج با استفاده از این روش های پیشرفته DL فراهم می کند.

در ژوئیه 2023 فنومیک گیاهی یک مقاله تحقیقاتی با عنوان “CountShoots: تشخیص خودکار و شمارش عکس‌های جدید Slash Pine با استفاده از تصاویر پهپاداین مطالعه شبکه شمارش تیرهای اسلش کاج (SPSC-net) را معرفی می‌کند، یک مدل مبتنی بر CCTrans که برای شمارش شاخه‌های جدید از اسلش طراحی شده است. کاج. این شامل یک ماژول هرم عملکرد برای شمارش دقیق است.

در تشخیص درختان کاج، مدل هایی مانند YOLOv5، Efficientnet و YOLOX با استفاده از آستانه 0.5 برای شناسایی درخت مقایسه شدند. YOLOX دقت، یادآوری و دقت متوسط ​​(AP) را به ویژه در آستانه بالاتر 0.75 نشان داد. در مقابل، Faster-RCNN کمترین عملکرد را نشان داد. شمارش دستی 26 تصویر آزمایشی نشان داد که YOLOX نرخ کشف نادرست کمتری دارد و EfficientNet حداقل اهداف از دست رفته را دارد.

YOLOX در سناریوهای هدف پیچیده و همپوشانی برتری دارد. برای کشف شاخه‌های جدید، این مطالعه چارچوب‌های OT متعادل و نامتعادل را در حین ارزیابی ماتریس‌های هزینه جابجایی مختلف مقایسه می‌کند. مدل پرسپکتیو-محور بهترین عملکرد را نشان داد و کارایی OT غیرتعادلی را برای رگرسیون چگالی تایید کرد. SPSC-net کمترین MSE و MAE را در بین همه مدل‌ها به دست آورد و از DM-Count، CSR-net و MCNN بهتر عمل کرد. نمودارهای پراکندگی و چگالی دقت پیش‌بینی بالای SPSC-net را نشان دادند.

بر این اساس، این مطالعه CountShoots را توسعه داد، سیستمی برای استخراج و شمارش کاج بریده شده. که در چارچوب Flask پیاده‌سازی شده است، شامل ماژول‌هایی برای تعامل کاربر، بارگذاری مدل، استخراج گیاه و شمارش شلیک می‌شود. این فرآیند شامل آپلود تصاویر، استخراج داده های گیاهی، شمارش شاخه ها و ارائه بازخورد در مورد نتایج است که همه برای راحتی کاربر ساده شده است. این مطالعه اثربخشی SPSC-net را در پردازش تصویر چند مقیاسی کاج قطع شده تأیید می کند.

YOLOX و SPSC-net با مدل‌های دیگر مقایسه شدند و تشخیص و دقت شمارش برتر را نشان دادند. مکانیزم خانگی SPSC-net و ترکیب هرمی ویژگی استخراج ویژگی های دقیق و غنی از معنایی را امکان پذیر می کند. علیرغم موفقیت این پهپاد، محدودیت هایی مانند انسداد احتمالی لایه پوششی و محدودیت در ارتفاع پرواز پهپاد وجود دارد.

در نتیجه، این مطالعه یک خط لوله جامع با استفاده از SPSC-net و YOLOX برای شمارش دقیق شاخه‌های کاج و تشخیص تاج ایجاد کرد که ابزاری قوی برای تحقیقات جنگل‌داری و تکثیر ژنتیکی کاج اسکاتلندی ارائه می‌دهد.