AgRegNet：一种用于果园花果密度估计、定位与计数的深度回归网络
计算机视觉与模式识别
2025-01-20 v2 人工智能
摘要
当今农业产业面临的主要挑战之一是人工劳动力的不确定性及其相关成本。自动化的花果密度估计、定位与计数有助于简化收获、产量估算以及花果疏除等作物负载管理策略。本文提出了一种基于深度回归的网络AgRegNet，用于估计果树冠层中花果的密度、数量和位置，无需显式的目标检测或多边形标注。受流行的U-Net架构启发，AgRegNet是一个具有编码器到解码器跳跃连接的U形网络，并采用改进的ConvNeXt-T作为编码器特征提取器。AgRegNet可以基于点标注信息进行训练，并利用分割信息以及注意力模块（空间和通道）来突出相关的花果特征，同时抑制不相关的背景特征。在非结构化果园环境下的苹果花和果实冠层图像上的实验评估表明，AgRegNet在估计花果密度、数量和质心位置方面，分别以结构相似性指数（SSIM）、百分比平均绝对误差（pMAE）和平均精度（mAP）衡量，取得了令人鼓舞的准确率。具体而言，花图像的SSIM、pMAE和mAP值分别为0.938、13.7%和0.81。对于果实图像，相应值分别为0.910、5.6%和0.93。由于所提出的方法依赖于点标注信息，因此适用于稀疏和密集分布的对象。这种简化的技术将非常适用于种植者准确估算产量并决定最佳的化学和机械疏花实践。
引用
@article{arxiv.2409.17400,
title = {AgRegNet: A Deep Regression Network for Flower and Fruit Density Estimation, Localization, and Counting in Orchards},
author = {Uddhav Bhattarai and Santosh Bhusal and Qin Zhang and Manoj Karkee},
journal= {arXiv preprint arXiv:2409.17400},
year = {2025}
}
备注
Published in Computers and Electronics in Agriculture