WeedSwin等级视觉变压器与SAM-2用于多阶段的杂草检测和分类
Taminul Islam1,2, Toqi Tahamid Sarker3,4, Khaled R Ahmed3,4
1School of Computing, Southern Illinois University, Carbondale, IL, 62901, USA. taminul.islam@siu.edu.
Scientific reports
|July 2, 2025
概括
这项研究引入了先进的计算机视觉,用于精准农业中自动检测和分类杂草. 一个新的WeedSwin变压器架构在多个生长阶段实现了卓越的性能,使可持续农业成为可能.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 精准农业要求自动识别杂草,以实现可持续实践.
- 现有的方法在检测不同生长阶段的各种杂草物种时面临挑战.
研究的目的:
- 开发和评估一个强大的系统,用于在多个生长阶段检测和分类杂草.
- 引入新的数据集和专门的深度学习架构,以增强杂草识别.
主要方法:
- 创建两个大型数据集 (AWD,BWD),包含11个生长阶段的16种杂草物种.
- 预处理使用传统的计算机视觉和SAM-2模型进行精确的注释.
- 评估最先进的物体检测模型和WeedSwin变压器架构的建议.
主要成果:
- 拟议的WeedSwin变压器实现了0.993 mAP和0.985 mAR的218.27 FPS.
- 在检测各种杂草物种和生长阶段方面,WeedSwin的表现优于现有的架构.
- 该方法在识别具有挑战性的影响作物生产率的"驱动杂草"方面表现出强大.
结论:
- WeedSwin架构和广泛的数据集在农业中推进了自动化杂草识别.
- 这项研究支持有效,可持续的杂草管理和减少除草剂的使用.
- 这些发现为改进精准农业技术和作物管理铺平了道路.
