面向精准农业的深度学习：喷洒后评估与沉积量估计
计算机视觉与模式识别
2024-09-25 v1 机器学习
摘要
精准喷洒评估主要需要在喷洒后图像中实现自动化。本文提出了一种可解释人工智能（XAI）计算机视觉流水线，用于在无需传统农业方法的情况下对精准喷洒系统进行喷洒后评估。所开发的系统能够对生菜、繁缕和早熟禾等潜在目标进行语义分割，并正确识别目标是否已被喷洒。此外，该流水线使用特定领域的弱监督沉积量估计任务进行评估，允许以微升（{\mu}L）为单位对喷雾沉积重量进行特定类别的量化。以逐类方式估计喷雾沉积的覆盖率，有助于进一步理解精准喷洒系统的有效性。我们的研究评估了不同的类激活映射技术，即 AblationCAM 和 ScoreCAM，以确定哪种技术对这些任务更有效且更具可解释性。在该流水线中，使用仅推理特征融合以提供进一步的可解释性，并实现喷洒后精准喷洒评估的自动化。我们的研究结果表明，采用 EfficientNet-B0 主干和仅推理特征融合的全卷积网络，在测试集的三个类别中实现了 156.8 {\mu}L 的沉积值平均绝对差异。本文整理的数据集已在 https://github.com/Harry-Rogers/PSIE 公开
引用
@article{arxiv.2409.16213,
title = {Deep Learning for Precision Agriculture: Post-Spraying Evaluation and Deposition Estimation},
author = {Harry Rogers and Tahmina Zebin and Grzegorz Cielniak and Beatriz De La Iglesia and Ben Magri},
journal= {arXiv preprint arXiv:2409.16213},
year = {2024}
}