An improved lightweight irrigation canal segmentation network with direction perception for agricultural UAVs
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The inspection for irrigation canals based on unmanned aerial vehicles (UAVs) is an important and challenging task in the field of modern agriculture. Specifically, accurate segmentation of irrigation canals from UAV images faces several challenges such as complex background textures, vegetation occlusions, and varying lighting conditions, which can lead to blurred canal boundaries and discontinuous features. To improve the accuracy and robustness of the image segmentation, an improved lightweight semantic segmentation network (named GEA-UNet) is proposed in this paper. In the proposed model, a direction perception attention module is presented to enhance orientation sensitivity. In addition, an edge detection auxiliary module is designed for refined boundary learning, and a context-aware segmentation module is proposed to capture local and global features of the irrigation canals. Evaluation results on the self-constructed irrigation canal dataset show that the proposed GEA-UNet model achieves an accuracy of 98.9%, mean Intersection over Union of 85.4%, and F1-score of 92.2%, outperforming other mainstream semantic segmentation models. Path extraction experiments using sliding projection and RANSAC regression further showed that the proposed method reduces the average angular error to 1.27 \(^{\circ }\) and the average fitting time to 3.67 ms, significantly enhancing the navigation accuracy and efficiency for agricultural UAVs. This work provides an effective and efficient solution for autonomous UAV-based canal inspection, contributing to intelligent decision-making and precision management in modern irrigation systems.
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.
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 découle