KDOSS-net:基于知识蒸的外涂和语义细分网络,用于作物和杂草图像
Sang Hyo Cheong1, Sung Jae Lee1, Su Jin Im1
1Division of Electronics and Electrical Engineering, Dongguk University, 30 Pildong-ro 1-gil, Jung-gu, Seoul, 04620, Republic of Korea.
Plant phenomics (Washington, D.C.)
|December 19, 2025
概括
这项研究引入了一种新的人工智能网络用于作物和杂草的细分,通过考虑摄像头视线之外的区域来改善除草剂的应用. 轻量级模型提高了农业机器人的精度.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉 计算机视觉
- 人工智能的人工智能是人工智能.
背景情况:
- 杂草管理对于作物产量至关重要,通常使用语义细分.
- 目前的方法仅限于分析相机的视野 (FOV).
- 这种限制导致不完整的除草和低效的除草剂使用.
研究的目的:
- 开发一个先进的作物和杂草细分框架.
- 克服FOV限制分析在杂草检测中的局限性.
- 为农业机器人创建一个轻量级但准确的模型.
主要方法:
- 提出了基于知识蒸的外涂和语义细分网络 (KDOSS-Net).
- 使用教师-学生模型方法 (OPOSS-Net和SSWO-Net) 与知识蒸 (KD).
- 杆化外漆,以整合超出摄像机的FOV.信息.
主要成果:
- 在公开数据集上,KDOSS-Net获得了高的mIOU分数 (0.6315,0.7101,0.7524).
- 与最先进的细分模型相比,证明了更高的准确性.
- 显著降低了计算开销,使其适合农业机器人.
结论:
- 通过结合FOV外的信息,KDOSS-Net有效地提高了作物和杂草细分的准确性.
- 该模型的效率允许在资源有限的农业机器人上部署.
- 与LLaVA集成的杂草数据用于智能除草剂战略建议.
