An integrated instance segmentation and deep feature fusion model for robust leaf species classification in natural environments
提出实例分割与深度特征融合框架，在自然环境下实现鲁棒叶片物种分类。
← 主题
#实例分割
Comparative Analysis of Automatic Mask Generation Methods for Agricultural Seed Instance Segmentation
本文针对农业图像分析中像素级标注耗时费力的问题,比较了5种无需领域定制的自动掩码生成方法用于豌豆种子实例分割:Cellpose、EfficientSAM、SAM2、StarDist、FastSAM。研究使用164张图像数据集(100张手工标注含33462个实例,64张空白用于下游训练),固定测试集20张含6849个实例。结果显示,Cellpose在重叠豌豆尺寸颗粒上整体表现最佳(F1:0.957,Recall:0.973);EfficientSAM精度最高(mean IoU:0.970);SAM2召回高(0.965)但精度低(0.815);StarDist因形状约束在重叠颗粒上表现较差;FastSAM漏检密集簇中的颗粒。基于Cellpose自动标注的144张图像训练YOLO11m-seg模型与80张手工标注训练的模型性能接近(mAP50:0.848 vs 0.860),证明自动标注是密集农业影像中人工标注的实用替代品。
基于改进YOLOv11n-seg的胡麻倒伏区域识别方法——兼顾精度与轻量化的智能化倒伏监测
针对胡麻倒伏区域识别难题，研究构建改进YOLOv11n-seg模型。改进后的模型在精确度和平均精度均值上分别达到92.6%和95.2%，较原始YOLOv11n-seg模型分别提升3.7个百分点和2.1个百分点。模型参数量仅为1.73 M，计算量为8.0 GFLOPs，模型体积仅为3.8 MB，显示出较好的轻量化优势。该方法兼顾精度与轻量化，为智能化胡麻倒伏监测与实际田间设备部署提供了技术基础。