Corn Plant Detection Using YOLOv9 Across Different Soil Background Colors, Growth Stages, and UAV Flight Heights
Notice bibliographique
Résumé
Accurate stand count and growth stage detection are essential for crop monitoring, since traditional methods often overlook field variability, leading to poor management decisions. This study evaluated the performance of the YOLOv9-small model for detecting and counting corn plants under real field conditions. The model was tested across three soil background types, two flight heights (30 and 70 m), and four corn growth stages (V2, V3, V5, and V6). Unmanned aerial vehicle (UAV) imagery was collected from three distinct fields and cropped into 640 × 640 pixels. Datasets were split into training (70%), validation (20%), and testing (10%) datasets. Model performance was assessed using precision, recall, classification loss, and mean average precision of 50% and 50–90%. The results showed that the V3 and V5 stages yielded the highest detection accuracy, with mAP50 values exceeding 85% in conventional tillage fields and slightly lower performance in gray/red-brown conditions due to background interference. Increasing flight height to 70 m reduced accuracy by 8–12%, though precision remained high, particularly at V5, and performance was poorest for V2 and V6. In conclusion, YOLOv9-small is effective for early-stage corn detection, particularly at V3 and V5, with 30 m providing optimal results. However, 70 m may be acceptable at V5 to optimize mapping time.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».