Transformer-CNN草地检测模型

AP 95.4%

基于Transformer与CNN结合的Am-mask模型，显著提升了高寒草甸草地状况的检测精度与稳定性，并节省推理成本。

Zhang, Yuzhuo · Wang, Tianyi · You, Yong · 王德成 · Jinlong, Gao · 梁天刚

Computers and Electronics in Agriculture 2023

参数信息

平均精度

95.4 %

平均精度（未拼接图像）

95.16 %

平均召回率（未拼接图像）

95.13 %

平均精度（拼接图像）

91.83 %

平均召回率（拼接图像）

91.81 %

平均F1值（拼接图像）

91.82 %

技术优势

匹配更稳更快

ORB特征匹配比SIFT和SURF在高寒草甸图像拼接中更稳定、更快速，减少了图像拼接环节的时间开销和失败风险。

精度提高一成

Am-mask模型引入Transformer后，AP值达95.4%，比原始CNN模型高约10%，显著提升了草地图像检测的精度。

推理成本更低

所提方法在保证检测效果的同时节省模型推理成本，适合资源受限的无人机平台部署。

应用场景

• 草地监测：精准分割草地退化区域，替代人工目视判读，提升监测效率。
• 无人机遥感：适配无人机RGB影像，实现低空快速拼接与检测，降低遥感成本。
• 图像分割：Am-mask模型提升分割精度约10%，为后续分析提供可靠掩膜。
• 智慧农业：自动获取草地植被信息，辅助精准畜牧与草场管理决策。