半监督学习方法用于在草中检测杂草
Teng Liu1, Danlan Zhai1, Feiyu He2
1Peking University Institute of Advanced Agricultural Sciences / Shandong Laboratory of Advanced Agricultural Sciences at Weifang, Weifang, China.
Pest management science
|January 24, 2024
概括
半监督学习 (SSL) 与完全监督学习 (FSL) 相比,在草中显著提高了杂草检测准确度. 像FixMatch这样的SSL方法需要更少的标记图像,为精密除草剂应用提供更有效的解决方案.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习是机器学习.
背景情况:
- 精确的杂草检测对于精确的除草剂应用至关重要.
- 传统的方法依赖于深度学习模型的广泛的手动数据标签.
- 本研究引入了一种半监督学习 (SSL) 方法,用于在草中检测杂草.
研究的目的:
- 开发和评估一种新的SSL方法来检测草中的杂草.
- 将SSL方法的性能与完全监督学习 (FSL) 方法 (ResNet50) 的性能进行比较.
- 在标记数据要求方面评估SSL的效率和准确性.
主要方法:
- 实施和评估了三个SSL模型:P-model,平均教师和FixMatch.
- 将SSL性能与ResNet50进行比较,使用杂草和草图像数据集.
- 通过使用分类准确度和F1分数以及不同数量的标记数据来评估模型性能.
主要成果:
- 与ResNet50相比,SSL方法,特别是FixMatch,表现出更高的分类准确性,即使具有有限的标记数据 (100图像/类).
- 使用每类仅使用50个标记图像,FixMatch获得了最高的准确性 (≥0.9530) 和F1分数 (≥0.951).
- 在准确性和效率方面,SSL模型优于FSL,需要更少的标记训练图像.
结论:
- SSL深度神经网络为FSL提供了一个高度准确和高效的替代品,用于杂草检测.
- 拟议的SSL方法减少了与精准农业数据标签相关的时间和劳动力.
- 这一进步支持了更有效和可持续的杂草管理策略.
