MétaCan
Menu
Retour à la cohorte
Enregistrement W7105119901 · doi:10.1109/tgrs.2025.3632208

Detection of Spatially Oriented Fusarium Head Blight Spikes in Wheat Using UAV-Based Remote Sensing Imaging

2025· article· W7105119901 sur OpenAlexafffund

Notice bibliographique

RevueIEEE Transactions on Geoscience and Remote Sensing · 2025
Typearticle
Langue
DomaineEnvironmental Science
ThématiqueRemote Sensing in Agriculture
Établissements canadiensAgriculture and Agri-Food CanadaUniversity of Regina
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaManitoba Crop AllianceSaskatchewan Wheat Development CommissionMinistry of Agriculture - Saskatchewan
Mots-clésBounding overwatchVisibilityLimitingRemote sensing applicationPixelHyperspectral imagingObject detection

Résumé

récupéré en direct d'OpenAlex

Fusarium head blight (FHB) poses a critical threat to global wheat production, compromising yield and quality through mycotoxin contamination. Traditional methods, such as laboratory assays and visual inspections, are labour-intensive, costly, and impractical for large-scale monitoring. Although remote sensing based on unmanned aerial vehicles (UAVs) offers a promising alternative, existing approaches using axis-aligned bounding boxes (AABBs) struggle with arbitrary orientations, large aspect ratios, and dense wheat spike arrangements, limiting detection accuracy. To address these challenges, we introduce a UAV-based remote sensing framework for detecting oriented FHB-infected wheat spikes under real field conditions. We propose a novel modified hybrid YOLO architecture for detecting oriented bounding boxes (OBBs) that integrates the efficiency of YOLOv10 with YOLOv11’s orientation-aware detection capabilities. To enhance lesion visibility in UAV images, we utilize pixel-level cubic power stretching, which amplifies the contrast of FHB-infected regions while normalizing overexposed backgrounds. Experimental results demonstrate state-of-the-art performance; for example, our Hybrid-YOLO-x achieves 93.8% mAP@0.5, surpassing YOLOv8x and YOLOv11x by 3.1% and 1.3%, respectively. It reduces parameters by 30.4% (vs. YOLOv8x) and 17.7% (vs. YOLOv11x) while lowering GFLOPs by 28.3% (vs. YOLOv8x) and 7.1% (vs. YOLOv11x). The model also achieves 67.7% mAP @ 0.5–0.95, outperforming YOLOv8x by 4.3% and YOLOv11x by 0.6%. Our hybrid model also outperforms other state-of-the-art OBB detectors, such as S<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup>ANet, ROI-Transformer, R<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup>CNN, utilizing 12.8% fewer parameters and 5.4% lower computational cost.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,562
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,005
Études des sciences et des technologies0,0010,002
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,241
Écart entre enseignants0,231 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Geoscience and Remote SensingMême sujetRemote Sensing in AgricultureTravaux en français237 207