在野生蓝 (Vaccinium angustifolium Ait.) 中增强图像注释 使用序列零射击检测和细分模型的领域.
Connor C Mullins1,2, Travis J Esau1,2, Riley Johnstone1,2
1Department of Engineering, Faculty of Agriculture, Dalhousie University, Truro, NS B2N 5E3, Canada.
Sensors (Basel, Switzerland)
|December 11, 2025
概括
这项研究引入了一个用于注释农业图像的自动化管道,大大改善了精准农业. 该系统有效地检测到成熟的果,芽,草和疾病,帮助数据驱动的作物管理.
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:
- 手动图像注释是数据驱动精准农业的一个瓶.
- 自动注释对于成熟度检测,疾病识别和生长监测等任务至关重要.
- 目前的方法是劳动密集型的,对于大规模农业来说不切实际.
研究的目的:
- 评估一个自动注释管道,将零射击检测模型 (Grounding DINO,YOLO-World) 与分段任何模型版本2 (SAM2) 集成在一起.
- 评估管道在野生蓝系统中检测和细分关键农业元素方面的有效性.
- 为了比较不同模型配置的性能和处理时间.
主要方法:
- 将接地DINO和YOLO-World与SAM2集成用于图像注释.
- 测试检测成熟的野生蓝,芽,毛和红叶病.
- 评估平均交叉点在欧盟 (mIoU) 的准确性和处理时间的效率.
主要成果:
- 接地DINO在所有测试的类别中表现优于YOLO-World.
- 特定的模型配对 (Swin-T/Swin-B与SAM2-Large/Small) 在不同目标上取得了高的mIoU分数.
- 较小的SAM2版本 (Tiny, Small, Base) 的处理时间更快,尽管SAM2-Large提供了更高的准确性.
结论:
- 开发的管道为快速准确的农业图像注释提供了一个可扩展的解决方案.
- 优化的模型选择平衡了实际应用的准确性和处理速度.
- 未来的工作应该探索在多种不同的作物系统和作物中更广泛的应用.


