克服田间变异性:无监督的域名适应,以提高在不同农田的作物杂草识别
Talha Ilyas1,2, Jonghoon Lee2, Okjae Won3
1Division of Electronics and Information Engineering, Jeonbuk National University, Jeonju-si, Republic of Korea.
Frontiers in plant science
|August 25, 2023
概括
这项研究引入了无监督域调整,以增强深度学习杂草检测. 这种新方法通过使模型对环境变化具有稳定性,从而改善了在未见的田间识别作物杂草.
科学领域:
- 农业机器人农业机器人
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 对于自动除草的深度学习系统表现有前途,但在不同的现场条件下扎.
- 由于训练和测试数据之间的分配转移,新领域的性能下降发生.
研究的目的:
- 开发一种不受监督的域适应方法,以在未见的农田中进行强大的作物杂草识别.
- 在各种环境中部署时,提高自动除草系统的性能.
主要方法:
- 提出了一种结合细分模块和歧视模块的新型网络.
- 分段模块使用标记的训练数据和未标记的测试数据来最大限度地减少.
- 区分器模块使用对抗优化来调整训练和测试领域的特征分布,确保域不变性.
主要成果:
- 在四个不同的看不见的测试领域观察到一致的性能改进.
- 这种方法有效地减轻了由低级图像统计数据的变化引起的性能下降.
- 开发的系统在现实世界推断过程中表现出对现场环境变化的稳定性.
结论:
- 无监督域名适应是增强基于深度学习的除草系统普遍性的可行策略.
- 提出的方法成功地解决了在不同的田间条件下识别作物杂草的挑战.
- 这项研究有助于推进可靠和适应性的自主农业技术.
相关概念视频
02:16Light Acquisition
8.5K
In order to produce glucose, plants need to capture sufficient light energy. Many modern plants have evolved leaves specialized for light acquisition. Leaves can be only millimeters in width or tens of meters wide, depending on the environment. Due to competition for sunlight, evolution has driven the evolution of increasingly larger leaves and taller plants, to avoid shading by their neighbors with contaminant elaboration of root architecture and mechanisms to transport water and nutrients.
8.5K
02:41Responses to Drought and Flooding
10.7K
Water plays a significant role in the life cycle of plants. However, insufficient or excess of water can be detrimental and pose a serious threat to plants.
10.7K