LKNet revolutioniert präzise Reisährenzählung in der Feldbeobachtung

Ein neuer Deep-Learning-Ansatz namens LKNet, entwickelt von Song Chen und seinem Team am Chinesischen Akademie für Landwirtschaftswissenschaften, setzt neue Maßstäbe für die präzise Zählung von Reisähren in unterschiedlichen Wachstumsstadien. Durch die Kombination großer Kernel-Konvolutionsschichten (LKconv) und einer neuartigen Verlustfunktion überwindet das Modell klassische Herausforderungen wie Überlappung von Ähren, Annotationssystematik und morphologische Variabilität zwischen Reissorten und Wachstumsphasen. Getestet auf UAV-Bildern und mehreren landwirtschaftlichen Datensätzen, zeigt LKNet überlegene Leistung und Robustheit, was es zu einer hochdurchsatzfähigen Lösung für die präzise Landwirtschaft macht. Bisherige Methoden zur Ährenzählung – wie Detektions-, Dichtebasierte oder Ortsbasierte Ansätze – leiden unter spezifischen Grenzen: Detektionsmodelle versagen in dichten Beständen, Dichtemodelle sind empfindlich gegenüber Hintergrundstörungen, während Ortsbasierte Ansätze wie P2PNet aufgrund begrenzter Empfindlichkeitsfelder und ungenauen Labels eingeschränkt sind. LKNet baut auf P2PNet auf, erweitert es jedoch um dynamische Anpassung des Empfindlichkeitsfelds und eine flexiblere Verlustfunktion, was die Genauigkeit und Stabilität in variablen Feldbedingungen deutlich steigert. In umfassenden Vergleichs- und Ablationsstudien erreichte LKNet herausragende Ergebnisse. Auf dem hochdichten SHTech PartA-Datensatz erzielte es eine mittlere absolute Abweichung (MAE) von 48,6 und eine RMSE von 77,9 – besser als P2PNet und das detektionsbasierte PSDNN_CHat. Auf PartB erreichte es Zustandsbestleistung mit minimalen Fehlern. Bei der Anwendung auf Reisähren zeigte LKNet eine RMSE von 1,76 und ein R² von 0,965, übertraf dabei sogar Modelle, die für größere Strukturen wie Maiskolben optimiert sind. Auf einem Felddatensatz aus 7 Meter Höhe blieb die Genauigkeit über alle Ährenarten – kompakt, mittel und offen – hoch (R² > 0,98), mit einer leichten Abnahme in späteren Wachstumsphasen aufgrund von Überlappung und morphologischer Veränderung. Ablationsstudien bestätigten, dass der LKconv-Backbone die Genauigkeit erhöht und die Parameteranzahl um fast 50 % reduziert, wobei die RMSE von 2,821 auf 0,846 sank. Die sequenzielle große Kernel-Modul mit Aufmerksamkeitsmechanismus erzielte die höchste Genauigkeit (R² = 0,993). Visualisierungen der Klassifikationsaktivierungskarten zeigten eine verbesserte Lokalisierung, insbesondere in komplexen Szenen, mit breiterer Fokussierung und stärkerer Unterdrückung von Hintergrundstörungen. Industrieexperten loben LKNet als bedeutenden Fortschritt für die UAV-gestützte Pflanzenphänotypisierung. Die Kombination aus architektonischer Innovation und adaptiver Verlustfunktion macht das Modell besonders geeignet für die automatisierte Ertragsvorhersage, Züchtungsforschung und Monitoring von Feldversuchen. Mit seiner Fähigkeit, komplexe, variable Feldbedingungen zu bewältigen, könnte LKNet die Grundlage für eine neue Generation intelligenter, datengetriebener Landwirtschaft bilden.