« CountShoots » dévoile des techniques avancées de drones et d’IA pour un comptage précis des pousses de pin coupé

Dans le sud de la Chine, le pin slash génétiquement amélioré (Pinus elliottii) joue un rôle crucial dans la production de bois et de résine, la densité des nouvelles pousses étant un trait de croissance clé. Les méthodes de comptage manuel actuelles sont inefficaces et imprécises. Les technologies émergentes telles que l’imagerie RVB basée sur les drones et l’apprentissage profond (DL) offrent des solutions prometteuses.

Cependant, les méthodes DL sont confrontées à des défis en termes de capture globale de fonctionnalités, nécessitant des mécanismes supplémentaires. Des innovations telles que Vision Transformer et ses dérivés (par exemple, TransCrowd, CCTrans) montrent un potentiel dans le comptage des caractéristiques des plantes, offrant des approches simplifiées et plus efficaces pour un traitement de données précis et à grande échelle. Cette évolution technologique présente une opportunité pour la recherche sur la détection automatisée de nouvelles pousses chez les pins rémanents, en utilisant ces méthodologies avancées de DL.

En juillet 2023, Phénomique des plantes a publié un article de recherche intitulé « CountShoots : Détection et comptage automatiques des nouvelles pousses de Slash Pine à l’aide d’images UAV » Cette étude présente le Slash Pine Shoot Counting Network (SPSC-net), un modèle basé sur CCTrans, conçu pour compter les nouvelles pousses de pin slash. Il intègre un module pyramidal de fonctionnalités pour un comptage précis.

Lors de la détection des pins rémanents, des modèles tels que YOLOv5, Efficientnet et YOLOX ont été comparés, en utilisant un seuil de 0,5 pour l’identification des arbres. YOLOX a démontré une précision, un rappel et une précision moyenne (AP) supérieurs, en particulier à un seuil plus élevé de 0,75. En revanche, Faster-RCNN a affiché les performances les plus faibles. Le comptage manuel de 26 images de test a révélé que YOLOX avait un taux de fausses détections plus faible et qu’EfficientNet avait un minimum de cibles manquées.

YOLOX a excellé dans des scénarios cibles complexes et qui se chevauchent. Pour la détection de nouvelles pousses, l’étude a comparé des cadres OT équilibrés et déséquilibrés tout en évaluant différentes matrices de coûts de transposition. Le modèle guidé par la perspective a affiché les meilleures performances, validant l’efficacité de l’OT hors équilibre pour la régression de densité. SPSC-net a obtenu les MSE et MAE les plus bas parmi tous les modèles, surpassant DM-Count, CSR-net et MCNN. Les nuages ​​de points et les cartes de densité ont démontré la grande précision de prévision du SPSC-net.

Sur cette base, l’étude a développé CountShoots, un système d’extraction et de comptage des rémanents de pin. Implémenté sur le framework Flask, il comprend des modules pour l’interaction utilisateur, le chargement de modèles, l’extraction de plantes et le comptage de pousses. Le processus consiste à télécharger des images, à extraire des données sur les plantes, à compter les pousses et à fournir des commentaires sur les résultats, le tout rationalisé pour la commodité de l’utilisateur. L’étude a confirmé l’efficacité du SPSC-net dans le traitement d’images multi-échelles du pin rémanent.

YOLOX et SPSC-net ont été comparés à d’autres modèles, démontrant une précision de détection et de comptage supérieure. Le mécanisme d’auto-attention de SPSC-net et la fusion de pyramides de fonctionnalités permettent une extraction de fonctionnalités détaillée et sémantiquement riche. Malgré son succès, il existe des limites à prendre en compte, telles qu’une obstruction potentielle provenant de la couche de canopée et des restrictions sur la hauteur de vol des drones.

En conclusion, la recherche a développé un pipeline complet utilisant SPSC-net et YOLOX pour un comptage précis des pousses de pin et une détection de la couronne, offrant ainsi un outil robuste pour la recherche forestière et la sélection génétique du pin.