На юге Китая генетически улучшенная сосна слэш (Pinus elliottii) играет решающую роль в производстве древесины и смолы, при этом плотность новых побегов является ключевым признаком роста. Современные методы ручного подсчета неэффективны и неточны. Новые технологии, такие как RGB-изображение с помощью БПЛА и глубокое обучение (DL), предлагают многообещающие решения.

Однако методы DL сталкиваются с проблемами при глобальном захвате функций, что требует дополнительных механизмов. Такие инновации, как Vision Transformer и его производные (например, TransCrowd, CCTrans), демонстрируют потенциал в подсчете признаков растений, предлагая упрощенные и более эффективные подходы для крупномасштабной и точной обработки данных. Эта технологическая эволюция открывает возможность для исследований в области автоматического обнаружения новых побегов у косых сосен с использованием передовых методологий DL.

В июле 2023 г. Феномика растений опубликовал исследовательскую статью под названием «CountShoots: автоматическое обнаружение и подсчет новых побегов сосны слэш с использованием изображений БПЛА». В этом исследовании представлена ​​сеть подсчета побегов сосны косой (SPSC-net), модель, основанная на CCTrans, предназначенная для подсчета новых побегов сосны косой. Он включает в себя модуль пирамиды функций для точного подсчета.

При обнаружении косых сосен сравнивались такие модели, как YOLOv5, Efficientnet и YOLOX, с использованием порога 0,5 для идентификации деревьев. YOLOX продемонстрировал превосходную точность, полноту и среднюю точность (AP), особенно при более высоком пороге 0,75. Напротив, Faster-RCNN показал самую низкую производительность. Ручной подсчет 26 тестовых изображений показал, что YOLOX имеет более низкий уровень ложного обнаружения, а EfficientNet имеет минимальное количество пропущенных целей.

YOLOX преуспел в сложных и пересекающихся целевых сценариях. Для обнаружения новых побегов в исследовании сравнивались сбалансированные и несбалансированные структуры ОТ, одновременно оцениваясь различные матрицы затрат на транспозицию. Модель, ориентированная на перспективу, продемонстрировала наилучшие характеристики, подтвердив эффективность неравновесного ОТ для регрессии плотности. SPSC-net достигла самых низких показателей MSE и MAE среди всех моделей, опередив DM-Count, CSR-net и MCNN. Диаграммы рассеяния и карты плотности продемонстрировали высокую точность прогнозирования SPSC-сети.

На этой основе в ходе исследования была разработана CountShoots — система извлечения и подсчета косой сосны. Реализованный на платформе Flask, он включает модули для взаимодействия с пользователем, загрузки модели, извлечения растений и подсчета побегов. Процесс включает в себя загрузку изображений, извлечение данных о растениях, подсчет побегов и предоставление отзывов о результатах, и все это оптимизировано для удобства пользователя. Исследование подтвердило эффективность SPSC-сети при многомасштабной обработке изображений сосны косой.

YOLOX и SPSC-net сравнивались с другими моделями, продемонстрировав превосходную точность обнаружения и подсчета. Механизм самообслуживания SPSC-net и объединение пирамид функций позволяют извлекать детализированные и семантически богатые функции. Несмотря на успех, существуют ограничения, которые следует учитывать, такие как потенциальные препятствия со стороны купола и ограничения на высоту полета БПЛА.

В заключение, в ходе исследования был разработан комплексный конвейер с использованием SPSC-net и YOLOX для точного подсчета побегов сосны и обнаружения кроны, предлагающий надежный инструмент для лесных исследований и генетической селекции сосны косой.