解决温室番茄种植周期的长尾挑战认可:一个小组指导的,多专家轻量级框架
Ruochen Zhang1, Jingxin Yu1, Lin Han1,2
1National Engineering Research Center for Intelligent Equipment in Agriculture, Beijing, China.
Frontiers in plant science
|September 22, 2025
概括
这项研究引入了一种新方法,可以使用轻量级的人工智能模型准确识别温室番茄种植阶段,甚至是罕见的种植阶段. 这通过克服数据不平衡的挑战来改善智能农业.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 精准农业 精准农业 精准农业
背景情况:
- 温室番茄种植的认可受到长尾挑战的阻碍,数据分布不平衡,特别是罕见阶段,限制了智能管理.
- 准确地识别所有种植阶段对于优化精准农业实践至关重要.
研究的目的:
- 开发一个轻量级的框架,以有效地识别温室番茄种植周期的长尾.
- 解决数据不平衡问题,这阻碍了对罕见种植阶段的准确识别.
主要方法:
- 一种新的多专家分组策略将数据划分为头部,平衡和尾部组,用于专门的模型培训.
- 知识蒸将专业知识从专家模型转移到轻量级学生模型 (MSC-MobileViT).
- MSC-MobileViT集成了多尺度卷积,用于在不同尺度上增强特征提取.
主要成果:
- 该框架实现了高整体性能:95.99%的准确性,91.03%的精度,93.57%的回忆率和92.02%的F1分数.
- 对稀有类 (例如"基板浸泡") 的精度显著提高,从79.27%提高到93.83%.
- 轻量级学生模型 (MSC-MobileViT) 的参数数量低 (0.95M),但性能优于最先进的模型.
结论:
- 拟议的框架有效地解决了温室农业中长尾认可问题.
- 知识的蒸和多专家的分组使得高效,高精度的模型适合在现实世界农业环境的边缘部署.
- 这项研究为农业中长尾识别提供了新的方法,增强了温室的智能系统.
