Los puntos clave no están disponibles para este artículo en este momento.
En entornos de campo complejos, el trigo crece densamente con órganos superpuestos y diferentes pesos de planta. Es difícil predecir con precisión la cantidad de alimentación para la cosechadora de trigo utilizando el YOLOv5s existente y el peso uniforme de una sola planta de trigo en un campo completo. Este documento propone un método de predicción de cantidad de alimentación basado en el YOLOv5s mejorado y el peso de una sola planta de trigo sin rastrojos. El YOLOv5s mejorado optimiza el Backbone con bases compactas para mejorar la detección de espigas de trigo y reducir la redundancia computacional. El Neck incorpora un módulo residual jerárquico para mejorar la representación de características multi-escala en YOLOv5s. La Head mejora la precisión de detección de pequeñas y densas espigas de trigo en un gran campo de visión. Además, la altura de una sola planta de trigo sin rastrojos se estima según la distribución de profundidad de la región de espigas de trigo y la altura de los rastrojos. El modelo de relación entre la altura y el peso de una sola planta de trigo sin rastrojos se ajusta mediante experimentos. Luego, se puede predecir la cantidad de alimentación utilizando el peso de una sola planta de trigo sin rastrojos estimado por el modelo de relación y el número de plantas de trigo detectadas por el YOLOv5s mejorado. El método propuesto se verificó a través de experimentos con la cosechadora de 4LZ-6A. En comparación con el YOLOv5s existente, YOLOv7, SSD, Faster R-CNN y otras mejoras en este documento, el mAP50 de la detección de espigas de trigo por el YOLOv5s mejorado aumentó en más del 6.8%. Logró un error relativo promedio del 4.19% con un tiempo de predicción de 1.34 s. El método propuesto puede predecir con precisión y rapidez la cantidad de alimentación para cosechadoras de trigo y realizar un control en bucle cerrado de las operaciones de cosecha inteligente.
Zhang et al. (Mon,) estudiaron esta cuestión.