يلعب تسرب الأنسجة دورًا هامًا في زيادة إنتاجية الأرز، ومنع أمراض المحاصيل، وتحسين خصوبة التربة، ويعتبر مؤشرًا هامًا لقياس حالة المياه في الحقل. ومع ذلك، فإن الكشف في الوقت الحقيقي عن القطرات الناتجة عن تسرب الأنسجة هو مهمة صعبة. تُعتبر القطرات أهدافًا صغيرة وكثيفة. في نموذج التعلم العميق، يُعتبر الكشف عن الأجسام الصغيرة في الصور عالية الدقة مشكلة رئيسية يجب حلها. تم اقتراح طريقة Droplet-YOLO التي تجمع بين نموذج YOLOv8 وتعلم متعدد الحالات. يتم تقسيم الصورة الأصلية إلى صور فرعية متعددة باستخدام نافذة منزلقة ويتم الكشف عنها بواسطة YOLOv8. يتم تنفيذ الكشف عن كل صورة فرعية من خلال اختبار متكرر مستقل، مما يضمن تعلم متعدد الحالات 99.99% احتمال كشف القطرات. من خلال مقارنة النماذج المختلفة، يتفوق Droplet-YOLO في الدقة، والعودة، ومتوسط الدقة (mAP). علاوة على ذلك، من خلال تجربة ضبط المعلمات الفائقة، تم اختيار التكوين بحجم دفعة يبلغ 32 و200 فترة أخيرًا. وصلت دقة النموذج ومعدل الكشف إلى 96.8% و95.7%، على التوالي، وبلغت المتوسط المعدل (mAP) 99.0%. تُظهر التجارب أن هذه الطريقة لها مزايا كبيرة للكشف عن الأجسام الصغيرة في الصور عالية الدقة، وأن نموذج Droplet-YOLO المقترح يتفوق على أكثر الطرق تقدمًا.
درس جونغ وآخرون (الجمعة) هذا السؤال.