FSEA: Incorporación de conocimiento previo específico del dominio para la detección de malezas con pocos ejemplos

Área de la Ciencia:

• Ciencias Agrícolas; Visión por Computadora; Aprendizaje Automático

Sus antecedentes:

• El control de malezas de precisión se basa en la detección precisa de cultivos y malezas mediante aprendizaje profundo.; Los métodos actuales tienen dificultades con las nuevas especies de malezas debido a limitaciones de datos.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje con pocos ejemplos para la adaptación rápida a nuevas especies de malezas.; Mejorar la eficacia del control de malezas de precisión en diversos entornos agrícolas.

Principales métodos:

• Se propuso la red de atención mejorada con pocos ejemplos (FSEA), basada en Faster R-CNN.; Se integró conocimiento específico del dominio: características de color, adaptación morfológica y manejo de oclusiones.; Se utilizó un pequeño conjunto de datos (30 muestras/especies) para entrenar en nuevas especies de malezas.

Principales resultados:

• FSEA logró un mAP de 0.346 para clases novedosas al adaptarse a nuevas especies de malezas.; Superó a los detectores de pocos ejemplos de última generación y a YOLOv7.; Demostró una adaptación eficaz con datos de entrenamiento limitados.

Conclusiones:

• La red FSEA ofrece una metodología fundamental para la adaptación rápida de los sistemas de detección de malezas.; La incorporación de conocimientos previos específicos del dominio es crucial para la detección eficaz de malezas con pocos ejemplos.; Este enfoque mejora la practicidad y accesibilidad de la gestión automatizada de malezas.