廣東
近日，華南農業大學齊龍研究員團隊在Artificial Intelligence in Agriculture期刊上發表題為“Dual attention guided context-aware feature learning for residual unfilled grains detection on threshed rice panicles”的研究成果。工程學院博士生周宇浩為第一作者，齊龍研究員和馬銳軍副教授為通訊作者。
結實率是水稻考種中的重要指標，而脫粒后稻穗殘留空粒的精準檢測是實現其智能測定的關鍵環節。由于殘留空粒目標尺寸小，且常受枝梗遮擋、相鄰目標黏連等因素影響，傳統人工檢測方法效率較低、主觀性較強，現有視覺檢測方法也面臨漏檢、誤檢和復雜場景適應性不足等問題。
為此，團隊提出了基于對偶注意力機制的殘留空粒檢測方法。該方法構建了“通道—全局”“空間—局部”協同建模的注意力模塊，在增強全局特征關聯建模的同時保留局部空間上下文信息，提升了模型對殘留空粒特征的表征能力；同時結合Focaler-SIoU損失函數與小目標預測頭優化策略，增強了模型對遮擋和相鄰目標黏連等復雜情況的檢測效果。以華航57號、香禾優細絲苗兩個水稻品種為試驗對象，實驗結果表明，該方法對脫粒后稻穗殘留空粒的檢測精度大于95%，檢測速度為154 FPS，具有較好的檢測精度與實時性，可為高通量水稻考種提供新的技術支撐。
論文鏈接：
https://www.sciencedirect.com/science/article/pii/S2589721725001035
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
