SegNeXt-RCMSCA: An improved SegNeXt network for detecting winter wheat lodging from UAS RGB images
Notice bibliographique
Résumé
Winter wheat lodging reduces wheat yield and poses a further risk to regional food security, emphasizing the need for timely and accurately monitoring of affected areas. Advances in Unmanned Aerial System (UAS) remote sensing and deep learning techniques provide new tools for detecting winter wheat lodging. In this study, the RGB images of winter wheat were captured by the DJI Phantom 4 Pro V2.0 at flight heights of 60 m (0.8cm/pixel), 90 m (1.8cm/pixel), 120 m (3.1cm/pixel), and 150 m (4.3cm/pixel). A novel SegNeXt-RCMSCA network was proposed by integrating horizontal and vertical pooling with a multi-scale self-calibrated convolution function to enhance global contextual information. The SegNeXt-RCMSCA model achieved an Intersection over Union (IoU) of 86.72 %, F1 score of 92.89 %, Recall of 94.33 %, and Precision of 91.49 %. The model was tested using images with different spatial resolutions, and the results indicated that the 60 m (0.8cm/pixel) achieved the highest detection accuracy. The proposed SegNeXt-RCMSCA demonstrated strong potential for detecting lodging in other crops, offering a robust tool for improving the crop management in precision agriculture. By enabling timely and accurately lodging detection, the model facilitates crop damage assessment, harvest optimization, and informed field management, while supporting large-scale agricultural monitoring and intelligent decision-making in precision farming.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».