Quantifying consistency of crop establishment using a lightweight U-Net deep learning architecture and image processing techniques
Notice bibliographique
Résumé
Consistency of crop establishment is a measure of uniformity of crop attributes, such as plant stand count, crop emergence rate, and plant spacing across the field. Quantifying consistency during the early crop growth stage is important for establishment decisions to use targeted nutrients and to facilitate timely replanting in inconsistent crop regions. Crop consistency can be analysed using two key parameters: plant stand count and spacing statistics since they provide insight into plant density and its emergence percentage. However, manual assessment of them is time-consuming, prone to errors, and labour-intensive in large fields. An alternative method is proposed to automate estimating these parameters using field imagery under uncontrolled settings. We use the YOLOv5-based object detection model for plant counting, which attains a mean average precision of 0.956 to detect Canola plants. A Lightweight U-Net model is proposed to segment rows, followed by Guo–Hall thinning and Probabilistic Hough Transform to determine inter-row and inter-plant spacing. Our proposed row segmentation model achieves a mean Intersection over Union (mIoU) of 0.8444 with class-wise IoU of 0.9925 and 0.6963 for background and crop using fewer parameters. The new architecture uses only 14M parameters and achieves performance comparable to the state-of-the-art U-Net (32.5M) and SegNet (29M).
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 | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».