Analiză comparativă a segmentării semantice bazate pe CNN pentru recunoașterea dimensiunii coroanei pomului de măr în pulverizarea automată cu rată variabilă

Controlul eficient al dăunătorilor în livezi este esențial pentru păstrarea calității culturii și maximizarea recoltei.

Un factor cheie în optimizarea pulverizării automate la rate variabile este estimarea precisă a dimensiunii coroanei copacilor, ceea ce ajută la reducerea utilizării excesive de pesticide, minimizând în același timp riscurile pentru mediu și sănătate.

Acest studiu evaluează performanța a două rețele neuronale convoluționale avansate, PP-LiteSeg și Rețele Fully Convolutional (FCNs), pentru segmentarea coroanelor de copaci de dimensiuni variate — mici, medii și mari — folosind rețele compacte cu conexiuni dense pe termen scurt (STDC1 și STDC2) ca baze.

Pentru antrenarea și evaluarea modelelor a fost utilizat un set de date format din 305 imagini colectate în teren.

Rezultatele arată că FCNs cu bazele STDC depășesc PP-LiteSeg, oferind o precizie superioară în segmentarea semantică și o clasare mai bună a fundalului.

Modelul bazat pe STDC1 excelează în pulverizarea variabilă cu precizie, atingând un indice Intersection-over-Union de până la 0,75, o Recall de 0,85 și o Precizie de aproximativ 0,85.

În același timp, modelul bazat pe STDC2 demonstrează o stabilitate mai mare în optimizare și o convergență mai rapidă, fiind mai adecvat pentru medii cu resurse limitate.

Notabil, modelul bazat pe STDC2 îmbunătățește semnificativ diferențierea între coroane și fundal, atingând o Recall de 0,9942 pentru clasificarea fundalului.

În contrast, PP-LiteSeg se luptă cu detectarea coroanelor mici, ceea ce duce la scăderea acurateței segmentării.

Aceste descoperiri evidențiază potențialul FCNs cu bazele STDC pentru recunoașterea automată a coroanelor de măr, promovând agricultura de precizie și aplicarea durabilă a pesticidelor prin strategii îmbunătățite de pulverizare la rate variabile..