基于GAN增强的混合CNN-ViT-GNN框架用于精准农业中的智能杂草检测
计算机视觉与模式识别
2025-11-20 v1
摘要
杂草检测任务是精准农业的一个基本要素，因为准确的物种识别使农民能够选择性地施用除草剂，并适应可持续的农业作物管理。本文提出了一种用于杂草检测的混合深度学习框架配方，该框架利用卷积神经网络(CNN)、视觉变换器(ViT)和图神经网络(GNN)来构建对多种田间条件的鲁棒性。采用基于生成对抗网络(GAN)的增强方法来平衡类别分布并更好地泛化模型。此外，一种自监督对比预训练方法有助于从有限的标注数据中学习更多特征。实验结果表明，在多个基准数据集上，该方法取得了99.33%的准确率、精确率、召回率和F1分数。所提出的模型架构实现了局部、全局和关系特征表示，并提供了高可解释性和适应性。在实践中，该框架允许在边缘设备上进行实时、高效的部署，用于自动杂草检测，减少对除草剂的过度依赖，并提供可扩展、可持续的精准农业方案。
引用
@article{arxiv.2511.15535,
title = {A Hybrid CNN-ViT-GNN Framework with GAN-Based Augmentation for Intelligent Weed Detection in Precision Agriculture},
author = {Pandiyaraju V and Abishek Karthik and Sreya Mynampati and Poovarasan L and D. Saraswathi},
journal= {arXiv preprint arXiv:2511.15535},
year = {2025}
}