基于生成式AI的图像增强提升异构作物中牧草检测性能
计算机视觉与模式识别
2024-12-02 v2
摘要
精准的牧草管理对于维持作物生产力和生态平衡至关重要. 传统的除草剂应用面临经济和环境挑战, 强调以深度学习为基础的智能牧草控制系统的需求. 这些系统需要大量高质量的训练数据. 然而, 现实中稀缺的高质量标注训练数据的现实, 常通过生成更多数据来解决数据增强问题. 然而, 常规的增强技术如随机翻转、颜色变化和模糊处理缺乏足够的保真度和多样性. 本文研究了一种基于生成式AI的增强技术, 其使用Stable Diffusion模型产生多样化的合成图像, 以提高用于牧草检测模型训练数据集的数量和质量. 此外, 本文探讨了这些合成图像对真实时检测系统性能的影响, 关注紧凑型CNN模型如YOLO nano以适用于边缘设备. 实验结果表明, 对于使用生成式AI增强数据集训练的YOLO模型, 在mAP50和mAP50-95得分方面均实现了显著提升, 显示明确的合成数据以增强模型鲁棒性和准确性的前景.
引用
@article{arxiv.2411.18513,
title = {Enhancing weed detection performance by means of GenAI-based image augmentation},
author = {Sourav Modak and Anthony Stein},
journal= {arXiv preprint arXiv:2411.18513},
year = {2024}
}