在农业领域无监督的语义标签生成

科学领域:

• 机器人和计算机视觉 机器人和计算机视觉
• 农业技术 农业技术
• 人工智能的人工智能

背景情况:

• 目前的农业机器人依靠深度学习来识别杂草和作物,需要大量的手动数据标签.
• 手动数据标签是耗时的,昂贵的,需要专门的领域专业知识,限制了这些系统的可扩展性.
• 需要自动化解决方案来简化农业AI的培训数据创建过程.

研究的目的:

• 开发一个自动化的标签管道,用于农业领域的作物杂草语义图像细分.
• 为了使深度学习模型的训练具有最小的或没有手动图像标签.
• 提高农业机器人感知系统的效率和准确性.

主要方法:

• 使用来自空中或地面机器人的RGB图像,并利用字段行结构进行空间一致的标签.
• 包含一个"未知"类,用于挑战植被,以减少标签错误和提高一致性.
• 采用证据深度学习来利用预测不确定性估计来改进语义细分,特别是对于像杂草这样的代表性不足的类别.

主要成果:

• 自动化管道在作物杂草细分方面明显优于通用和特定领域的标签方法.
• 使用生成标签的训练模型可以提高在未见的田地,作物种,生长阶段和照明条件上的性能.
• 在甜菜田中获得了88.6%的农作物和22.7%的杂草的IOU,超过了现有的方法.

结论:

• 拟议的自动标签管道有效地减少了对人工数据注释的依赖,用于训练农业AI模型.
• 该系统在各种现场条件下表现出强大的性能,提高了农业机器人的适应性.
• 这种方法为准确农业中开发先进感知系统提供了可扩展的解决方案,提高了环境可持续性.