Development of a Potato Seedling Detection Method and Platform for Field Emergence Monitoring
Abstract
La observación en tiempo real de la emergencia de plántulas es de gran importancia para el manejo de cultivos y la estimación de rendimiento. Sin embargo, los métodos de detección existentes suelen sufrir de una precisión insuficiente debido al complejo entorno del campo, el pequeño tamaño de las plántulas de papa y sus características de textura poco llamativas. Para abordar estos problemas, este estudio propone un método eficiente de detección de plántulas basado en el Transformador de Detección en Tiempo Real (RT-DETR). El modelo original se mejora en tres aspectos. Primero, se diseña una red troncal ligera, denominada Red de Mejora de Características de Alta Frecuencia (HFNet), para aumentar la capacidad de percepción de objetivos pequeños. Segundo, se introduce un módulo global eficiente de integración de características, llamado Atención Aditiva Eficiente (EAA), para mejorar la representación de las características de bordes y texturas de plántulas. Tercero, para reducir el coste computacional en el procesamiento de imágenes de alta resolución, se propone un Bloque de Mejora basado en Desplazamiento (SEB) para reforzar la capacidad de modelado multiescala. Los experimentos realizados con el conjunto de datos de imágenes construidas de plántulas de papa demuestran que el modelo optimizado (HES-DETR) logra un rendimiento excelente en todas las métricas de evaluación, con mAP@0,5 alcanzando el 97,6%, la precisión alcanzando el 96,6% y la recuperación alcanzando el 94,0%. En comparación con el modelo original RT-DETR, el promedio de la Precisión Media (mAP@0,5) mejora en 3,6 puntos porcentuales, el número de parámetros se reduce en un 42,2%, las Operaciones de Punto Flotante (FLOPs) se reducen en un 29,5% y el tiempo de inferencia se acorta en 2,7 ms. Además, en este estudio se desarrolló una plataforma gráfica de detección basada en ordenador personal (PC), que soporta importación, detección y exportación de resultados de imágenes por lotes, lo que verifica aún más la practicidad y la facilidad de despliegue del método propuesto. Los resultados indican que el modelo mejorado tiene ventajas significativas en la precisión y eficiencia de recursos en la detección de plántulas de papa, proporcionando un sólido apoyo técnico para la monitorización inteligente de cultivos y la gestión del campo. Real-time monitoring of seedling emergence is of great importance for crop management and yield estimation. However, existing detection methods generally suffer from insufficient accuracy due to the complex field environment, the small size of potato seedlings, and their inconspicuous texture features. To address these issues, this study proposes an efficient potato seedling detection method based on the Real-Time Detection Transformer (RT-DETR). The original model is improved from three aspects. First, a lightweight backbone network, termed High-Frequency Feature Enhancement Network (HFNet), is designed to enhance the perception capability for small targets. Second, an efficient global feature integration module, namely Efficient Additive Attention (EAA), is introduced to improve the representation of seedling edge and texture features. Third, to reduce the computational cost in high-resolution image processing, a Shift-based Enhancement Block (SEB) is proposed to strengthen multi-scale modeling capability. Experiments conducted on the constructed potato seedling image dataset demonstrate that the optimized model (HES-DETR) achieves excellent performance across all evaluation metrics, with mAP@0.5 reaching 97.6%, Precision reaching 96.6%, and Recall reaching 94.0%. Compared with the original RT-DETR model, mean Average Precision (mAP@0.5) is improved by 3.6% points, the number of parameters is reduced by 42.2%, Floating Point Operations (FLOPs) are reduced by 29.5%, and the inference time is shortened by 2.7 ms. In addition, a Personal Computer (PC)-based graphical detection platform was developed in this study, supporting batch image import, detection, and result export, which further verifies the practicality and deployability of the proposed method. The results indicate that the improved model has significant advantages in enhancing the accuracy and resource efficiency of potato seedling detection, providing strong technical support for intelligent crop monitoring and field management.