使用PSPEdgeWeedNet在花生种植中的作物杂草细分的深度学习方法
Deepthi G Pai1, Mamatha Balachandra2, Radhika Kamath3
1Manipal Institute of Technology, Manipal Academy of Higher Education, Manipal, Karnataka, 576104, India.
Scientific reports
|December 3, 2025
概括
一个新的边缘感知深度学习模型,PSPEdgeWeedNet,显著改善了花生田的自动杂草检测. 这种先进的系统提高了作物杂草细分的准确性,这对于精准农业和减少除草剂使用至关重要.
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:
- 杂草管理是一个主要的农业挑战,因为杂草的竞争和与作物的视觉相似性.
- 自动杂草检测系统旨在降低成本和除草剂依赖,但在细分精度方面存在困难.
- 照明和田间条件的变化进一步使精确的作物杂草差异化变得复杂.
研究的目的:
- 开发一种新的深度学习架构,用于在花生田中准确地对作物和杂草进行语义细分.
- 使用边缘感知机制,增强农作物和杂草之间的边界定位和划分.
- 提高复杂农业环境中自动杂草检测系统的稳定性和准确性.
主要方法:
- 提出了PSPEdgeWeedNet,这是一个边缘意识深度学习架构用于语义细分.
- 引入了一个专门的边缘检测分支,以改善边界划分.
- 使用条件随机场 (CRF) 来进行分段边界的后处理增强.
- 在花生田数据集上训练模型,使用类加权损失函数来处理类不平衡.
主要成果:
- PSPEdgeWeedNet显著超过了基于PSPNet,SegNet,UNet,DeepLabv3,Swin-Unet和ViT的最先进的模型.
- 在关键指标上取得了卓越的表现,包括交叉与欧盟 (IoU),精度,回忆和F1分数.
- 证明了边缘感知机制在提高杂草检测细分精度方面的有效性.
结论:
- 结合边缘意识机制对于增强农业应用中的语义细分至关重要.
- PSPEdgeWeedNet提供了一个强大而准确的解决方案,用于在花生种植中自动检测杂草.
- 该研究强调了高级深度学习对精准农业和可持续农业实践的潜力.
