基于域随机化与对象跟踪神经网络的种子粒计数
计算机视觉与模式识别
2024-08-02 v2 人工智能
摘要
种子的高通量表型（HTP），也称为种子表型分析，是对生长、发育、耐受性、抗性、生态、产量等复杂种子性状的综合评估，以及构成更复杂性状的参数的测量。种子表型分析的关键方面之一是谷物产量估计，种子生产行业依赖其开展业务。虽然市场上已有机械式种子粒计数器，但其价格往往高昂，有时超出小型种子生产企业的承受范围。You Only Look Once（YOLO）等对象跟踪神经网络模型的发展使计算机科学家能够设计低成本估计谷物产量的算法。神经网络模型的关键瓶颈在于，它们在执行任务前需要大量标注训练数据。我们证明，使用合成图像可作为训练对象跟踪神经网络的可行替代方案，该任务包括对象分类与检测。此外，我们提出了一种种子粒计数器，其使用低成本机械料斗、训练好的 YOLOv8 神经网络模型，以及 StrongSORT 和 ByteTrack 上的对象跟踪算法，从视频中估计谷物产量。实验使用 StrongSORT 算法对大豆和小麦分别获得 95.2% 和 93.2% 的种子粒计数准确率，使用 ByteTrack 算法对大豆和小麦分别获得 96.8% 和 92.4% 的准确率。
引用
@article{arxiv.2308.05846,
title = {Seed Kernel Counting using Domain Randomization and Object Tracking Neural Networks},
author = {Venkat Margapuri and Prapti Thapaliya and Mitchell Neilsen},
journal= {arXiv preprint arXiv:2308.05846},
year = {2024}
}