Smart Farming Solutions: A User-Friendly GUI for Maize Tassel Estimation Using YOLO With Dynamic and Fixed Labelling, Featuring Video Support
Notice bibliographique
Résumé
The integration of Autonomous Aerial Vehicles (AAVs) has significantly advanced image processing and remote sensing, particularly in precision agriculture. These technologies enhance data collection and agricultural yield estimation, benefiting banks, insurance companies, and government agencies in decision-making for budget allocation and quality assessments. This study addresses the challenge of accurately quantifying corn production by developing an enhanced YOLO-v8-based deep learning model, incorporating dynamic and fixed labeling techniques, tested on 810 images and video data for real-time detection. The research utilized two primary datasets totaling 570 images. The evaluation process comprised four distinct tests: Test 1, conducted on Dataset 1 with 200 images, assessed seven attention mechanisms (SE, CBAM, GA, LKA, CA, SA, and TA) using deep learning metrics (Precision, Recall, mAP50, mAP50-95, F1-score) and statistical methods (Duncan’s test). Test 2 validated model performance on 370 images from external sources, where YOLO.SA achieved 97.48% accuracy, outperforming YOLO.LKA (95.13%). Test 3, comparing with the MTDC benchmark dataset, confirmed YOLO.SA’s accuracy at 95.93%, exceeding previous reports, while YOLO.LKA achieved 95.71%. Finally, Test 4, utilizing video-based evaluation via a developed GUI, demonstrated YOLO.SA’s superiority (95.77%) over YOLO.LKA (95.48%) and YOLO-v5 (95.72%), significantly outperforming the standard YOLO model (72.79%). This study advances computer vision in agriculture, offering a scalable, high-accuracy model for corn yield estimation, with broad applications in farming optimization, financial planning, and policy-making.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».