在动态环境中检测害虫:一种自适应的持续测试时间域适应策略
Rui Fu1,2, Shiyu Wang1, Mingqiu Dong3
1Shandong Facility Horticulture Bioengineering Research Center, Weifang University of Science and Technology, Weifang, 262700, China.
Plant methods
|April 24, 2025
概括
这项研究介绍了CrossDomain-PestDetect (CDPD),这是一种用于准确检测农业害虫的新方法. 通过在测试过程中适应新数据,提高作物保护和粮食安全,CDPD改善了在不同环境中的害虫识别.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 害虫管理对于农业生产和粮食安全至关重要,早期发现可及时介入.
- 传统的物体检测模型与现实世界,非I.I.D.的模型斗争. 数据,导致在不同的环境中精度降低.
- 现有的方法往往无法适应在不同的农业环境中遇到的变化.
研究的目的:
- 为各种农业环境开发一个准确而强大的害虫检测方法.
- 为应对害虫检测数据集领域转移的挑战.
- 通过测试时间调整,提高在未见环境中的物体检测模型的性能.
主要方法:
- 提出了基于YOLOv9对象检测模型构建的交叉域-虫害检测 (CDPD) 方法.
- 整合了一个测试时间适应 (TTA) 框架,其中包括动态数据增强 (DynamicDA) 和动态适应网关 (DAG).
- 集成对象检测与图像分割在多任务动态适应模型 (MT-DAM) 中,具有适应性特征融合和TTA的自我监督学习.
主要成果:
- 在没有TTA的情况下,CDPD在原始环境中显示了7.6%的mAP50增长,在目标环境中比基线增加了16.1%.
- 有了TTA,mAP50得分在一个看不见的目标环境中达到73.8%,明显超过了基线.
- 该方法通过适应性特征融合和在测试期间自我监督的适应来证明了更好的检测能力.
结论:
- CDPD方法有效地提高了在多样化和看不见的环境中检测害虫的准确性.
- 测试时间适应是提高农业物体检测模型稳定性的可行策略.
- 拟议的方法为自动化害虫管理和作物保护系统提供了重大进展.
