An Effective Eichhornia Crassipes Growth Rate Detection and Segmentation Using Adaptive swinResUnet++
Notice bibliographique
Résumé
A new Eichhornia crassipes spread detection mechanism is developed using an advanced deep learning strategy with multi-spectral images to identify the growth rate of the Eichhornia crassipes. Initially, the required multispectral images are acquired and given to the Intelligent 3D-Yolo Network (I3DYoloNet) is used for detecting the Eichhornia Crassipes. This detection finds whether the Eichhornia crassipes are present or not over a particular region. Here, the parameters from the I3DYoloNet are optimized using the developed Position Upgraded Tuna Swarm with Ageist Spider Monkey Optimization (PU-TSASMO). After detecting the Eichhornia crassipes, the detected region is segmented using the Adaptive SwinResUnet++ (ASRUnet++) for finding the growth rate of Eichhornia crassipes, where the parameters are tuned using the same PU-TSASMO. Segmentation yields the precise infested area in each image, and the growth rate is calculated by comparing this area across time-series images (with optional biomass conversion if needed). Here, the PU-TSASMO-ASRUnet++ achieves 96.52% accuracy, and the designed PU-TSASMO-I3DYoloNet attained 96.63%, which is higher than the other existing frameworks like FCM, KMeans, UNet, and swin_ResUNet++ on a Global Water Hyacinth Invasion database. The results obtained from the experiments are compared with the existing Eichhornia crassipes growth rate detection models to ensure the detection performance.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».