ALNet: towards real-time and accurate maize row detection via anchor-line network
Notice bibliographique
Résumé
Accurate and efficient crop row detection is essential for the visual navigation of agricultural machinery. However, existing deep learning–based methods often suffer from high computational costs, limited deployment capability on edge devices, and difficulty in maintaining both accuracy and speed. This study presents ALNet (Anchor-Line Network), a lightweight convolutional neural network tailored to the elongated geometry of maize rows. ALNet introduces an Anchor-Line mechanism to reformulate row detection as an end-to-end regression task, replacing pixel-wise convolutions with row-aligned kernel operations to reduce computation while preserving geometric continuity. An Attention-guided ROI Align module equipped with a Dual-Axis Extrusion Transformer (DAE-Former) is incorporated to capture global–local feature interactions and enhance robustness under challenging field conditions such as weed infestation, low light, and wind distortion. In addition, a Row IoU (RIoU) loss is designed to improve localization accuracy by aligning predicted and ground-truth row geometries more effectively. Experimental results on field-acquired maize datasets demonstrate that ALNet achieves an mF 1 of 59.60 across IoU thresholds (≥ 9.24 points higher than competing methods) and an inference speed of 161.26 FPS, with a computational cost of only 11.9 GFlops, demonstrating potential for real-time edge deployment. These advances establish ALNet as a practical and scalable solution for intelligent visual navigation in precision agriculture.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,003 | 0,002 |
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 ».