An improved lightweight irrigation canal segmentation network with direction perception for agricultural UAVs
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.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».