使用YOLO图像识别的农业杂草探测器的现场评估:背景条件会影响检测性能
Saeko Matsuhashi1, Ryo Sugiura2, Motoaki Asai3
1Institute for Plant Protection, NARO, Tsukuba, Japan.
Pest management science
|June 18, 2025
概括
背景显著影响图像识别工具中杂草检测的准确性. 杂草探测器的现场性能可能与实验室准确性不相关,这突出了实际应用的局限性.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉
- 植物学 植物学
背景情况:
- 用于杂草识别的图像识别工具为用户知识,早期预警和特定站点管理提供了潜在的好处.
- 很少有研究评估了这些工具在受控发育环境之外的实际应用.
- 这项研究重点是使用You Only Look Once (YOLO) v3算法开发的杂草探测器,用于识别六种有害杂草物种.
研究的目的:
- 评估图像收集位置,目标背景和摄像头设备对杂草检测准确性的影响.
- 通过实地验证,评估基于YOLO v3的杂草探测器在现实世界中的适用性.
- 确定限制自动杂草识别系统实际性能的因素.
主要方法:
- 使用You Only Look Once (YOLO) v3对象检测算法开发了一个杂草检测模型.
- 收集的图像数据考虑各种位置,背景和相机设备.
- 在日本68个地点进行了现场验证,并对花园实验进行了控制,以评估探测器的性能.
主要成果:
- 检测成功受到目标杂草物种背景的显著影响,有显著的相互作用效应.
- 在特定的背景物种组合中,平均精度 (AP) 降低了大约0.2 (例如,Ipomoea lacunosa的托盘背景).
- 现场测试AP值低于训练数据样测试集的AP值,实验室和现场性能之间没有相关性;摄像机设备和土地使用没有明显的影响.
结论:
- 目标物种的背景是影响基于图像的杂草检测系统准确性的关键因素.
- 发现了探测器适用性的局限性,特别是关于性能从受控环境到现场条件的可转移性.
- 调查结果强调需要考虑发展的背景变化,并分享适用性数据,以改进杂草检测工具.
