基于物联网的精准荔枝追踪与计数方法：采用门控指标技术

《IEEE Internet of Things Journal》：IoT-Based Precision Litchi Tracking and Counting Method Using Gated Metrics

本研究提出LitchiCount方法，结合LitchiDet模型（含小目标检测层、DFC-C3Ghost、ELANB模块）与计数模块，利用Grad-CAM++增强可解释性及重要特征验证，创新DG-GM关联指标和AreaC计数策略，解决复杂场景漏计、重复计数问题，并通过TensorRT优化实现Jetson平台高效实时运行，实验证明优于现有方法，在李子多视角计数中表现可靠。

　　

摘要：

为了应对复杂环境中的计数挑战，我们设计了一种准确高效的多目标跟踪与计数方法。本研究提出了一种名为LitchiCount的新方法，该方法将多目标跟踪检测模型LitchiDet与计数模块相结合，解决了传统机器学习方法中常见的计数遗漏、重复计数以及缺乏可解释性等问题。该方法的开发借鉴了视觉可解释方法Grad-CAM++以及基于关键特征的实验验证方法。为了提高在密集遮挡和目标重叠情况下对小目标的检测精度，我们设计了LitchiDet，该方法包含一个小目标检测层、一个解耦的全连接注意力机制（DFC-C3Ghost）以及一个高效的目标聚合网络模块（ELANB）。我们的计数模块在密集遮挡场景中提高了目标跟踪的准确性和鲁棒性，同时减少了因场景变化导致的计数误差。我们提出了一种基于门控机制的距离泛化交并关联度量（DG-GM）和适用于复杂场景的AreaC计数策略。最后，为了提升物联网（IoT）的应用效果，我们将LitchiCount迁移到Jetson AGX Xavier平台上，并使用TensorRT对模型进行了优化，显著提高了计算效率和实时性能，特别是在资源有限的IoT环境中，满足了实时性和低功耗的需求。实验结果表明，我们的方法在检测和计数方面优于现有的最先进模型以及基于DeepSort的计数方法。重要的是，通过将我们的方法应用于实地环境中从多个角度检测和计数荔枝的场景，我们实现了低重复率和可靠的计数结果，证明了该方法在现实世界应用中的强大性能。

显示更多

引言

准确的产量估计对于提高果园的经济效益至关重要。随着农业物联网（IoT）的快速发展，将基于IoT的数据采集设备与深度学习算法相结合已成为一个有前景的研究趋势。本研究旨在通过整合关键的农业IoT技术（如传感器、摄像头和边缘计算平台），开发出一种高精度且可解释的荔枝计数方法，以解决数据采集、分析和处理中的挑战。通过无缝集成这些技术，该方法显著提高了计数精度和计算效率，有效克服了实际田间条件下的常见问题，如计数遗漏、重复计数等。