Enhanced Detection of Straw Coverage Using a Refined AdaBoost Algorithm and Improved Otsu Method
Notice bibliographique
Résumé
Straw coverage in wheat fields serves multiple purposes, encompassing insulation, moisture preservation, soil conservation, root stimulation, weed suppression, and fertilization.Despite these benefits, automatic recognition of straw coverage remains a challenge due to the difficulty in identifying fine straw accurately, leading to lower accuracy rates.A novel method has been developed to calculate field straw coverage rates, leveraging an improved AdaBoost algorithm and an enhanced Otsu algorithm.Initially, a nonlinear adjustment strategy utilizing the Sine wave is implemented, improving the weak classifier selection strategy.A new weighting coefficient calculation method is also introduced to enhance the classification performance of the AdaBoost algorithm.This improved AdaBoost algorithm then auto-determines whether the no-tillage seeder's working environment constitutes notillage land.The collected images of straw cover on non-arable land undergo median filtering denoising preprocessing.Subsequently, these images undergo a contrast enhancement process via grayscale and logarithmic transformations to highlight identifiable features of straw.Lastly, an enhanced Otsu algorithm is presented, which combines the merits of the maximum inter-class variance method (Otsu method) and the minimum Cross entropy segmentation algorithm.This leads to significant improvements in the classification and detection of straw coverage, verified by experimental results.The improved AdaBoost algorithm effectively recognizes the no-tillage seeder's working environment.Using the image processing algorithm developed, the calculation of field straw coverage is refined.When compared to the Otsu and K-means methods, the average error was reduced by approximately 49.3% and 33.8%, respectively, with the least misjudgment rate noted to be 5%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».