Al integrar bloques convolucionales de núcleo grande y una novedosa función de pérdida, LKNet aborda eficazmente desafíos como la superposición de objetivos, el sesgo de anotación y la variabilidad en la estructura de la panícula en las distintas etapas de crecimiento.
por la Academia China de Ciencias
Probado con imágenes de drones y múltiples conjuntos de datos de cultivos, el modelo demuestra un rendimiento y una robustez superiores, ofreciendo una solución de alto rendimiento para la agricultura y los cultivos de precisión.
Históricamente, el conteo de panículas de arroz se ha basado en métodos basados en la detección, la densidad o la ubicación. Sin embargo, los modelos de detección presentan dificultades en copas densas, mientras que los modelos basados en la densidad son sensibles a la interferencia de fondo. Los métodos basados en la ubicación, como P2PNet, ofrecen simplicidad e interpretabilidad, pero se ven limitados por las limitaciones del campo receptivo y las imprecisiones de las etiquetas.
Estos desafíos se ven agravados por las variaciones de las panículas según los tipos de arroz y las etapas de crecimiento. Para abordar estos problemas, el nuevo modelo LKNet amplía el marco de P2PNet con una adaptación dinámica del campo receptivo y una función de pérdida más flexible para mejorar la robustez y la precisión del conteo.
Un estudio publicado en Plant Phenomics por el equipo de Song Chen, de la Academia China de Ciencias Agrícolas, respalda una variedad de aplicaciones agrícolas (desde la predicción del rendimiento hasta el fenotipado del mejoramiento) sin necesidad de realizar anotaciones manuales que requieren mucho tiempo.
Para evaluar la eficacia del modelo LKNet propuesto, el equipo de investigación realizó una serie de experimentos comparativos y de ablación con múltiples conjuntos de datos y tareas de conteo. El modelo, diseñado con bloques convolucionales de núcleo grande (LKconv) y una función de pérdida de localización optimizada, se comparó inicialmente con métodos existentes en conjuntos de datos de conteo de multitudes y de cultivos.
En el conjunto de datos de alta densidad de multitudes SHTech Parte A, LKNet alcanzó un error absoluto medio (MAE) de 48,6 y un error cuadrático medio (RMSE) de 77,9, superando tanto a P2PNet como al modelo PSDNN_CHat basado en detección. En el conjunto de datos Parte B, LKNet igualó el rendimiento de vanguardia con un error mínimo. En evaluaciones interdominio, LKNet demostró una precisión superior en el conteo de panículas de arroz (RMSE = 1,76, R² = 0,965), superando especialmente a los modelos con mejor rendimiento en objetivos más grandes, como las espigas de maíz.
Las pruebas de LKNet en un conjunto de datos de dosel de arroz recopilados a 7 metros mostraron un rendimiento consistentemente alto en todos los tipos de panícula (compacta, intermedia y abierta), con valores de R² superiores a 0,98. Sin embargo, la precisión disminuyó ligeramente en etapas posteriores del crecimiento debido al aumento de la oclusión y la variación morfológica.
Los estudios de ablación confirmaron que la integración de la estructura principal LKconv mejoró significativamente la precisión y la eficiencia del modelo, reduciendo el RMSE de 2,821 a 0,846 y el número de parámetros en casi un 50 %. Además, entre varios diseños de kernel, el módulo secuencial de kernel grande con mecanismo de atención presentó la mayor precisión (R² = 0,993).
La visualización de mapas de activación de clases ilustró aún más la capacidad mejorada de LKNet para localizar panículas, especialmente en escenas complejas. En comparación con P2PNet, LKNet mostró áreas de enfoque más amplias y una mejor supresión de fondo. En general, los resultados demuestran que LKNet no solo supera a los modelos actuales en precisión y eficiencia, sino que también se adapta bien a las diversas complejidades espaciales y fenotípicas inherentes al conteo de la cubierta vegetal del arroz en campo.
LKNet representa un avance significativo en el monitoreo de cultivos mediante drones, ya que ofrece un conteo preciso y eficiente de panículas de arroz en diversas condiciones de campo. Sus innovaciones en la arquitectura del modelo y la función de pérdida permiten una adaptación dinámica a la variabilidad del mundo real, lo que la convierte en una potente herramienta para el fenotipado agrícola.
Más información: Ziqiu Li et al., LKNet: Mejora de la precisión del conteo de panículas en el dosel de arroz con un marco de referencia optimizado basado en puntos, Plant Phenomics (2025). DOI: 10.1016/j.plaphe.2025.100003
