用于从稀疏标注图像估计质量的通用半监督学习方法
计算机视觉与模式识别
2020-03-09 v1 图像与视频处理
摘要
质量流估计对若干行业极为重要，且由于成本限制或一般不可行性，获得准确估计可能颇具挑战。在农业应用背景下，产量监测是精准农业的关键组成部分，而质量流正是待测量的关键因素。测量质量流可进行田间生产力分析、成本最小化以及机器效率调整。诸如体积法或冲击力法等方法已被用于测量质量流；然而，这些方法在应用与精度上均受限。在本工作中，我们利用深度学习开发并测试了一个视觉系统，该系统能在甘蔗收获机作业期间实时运行并准确估计甘蔗的质量。用于估计质量流的深度学习算法采用极稀疏标注图像（半监督）训练，仅使用最终装载重量（一段时间内聚合的重量）。该深度神经网络（DNN）成功准确捕获甘蔗质量，并超越旧有的基于体积的方法，尽管图像中光照与物料颜色高度变化。该深度神经网络最初在实验室数据（竹子）上训练以预测质量，随后利用迁移学习将同一方法应用于估计甘蔗质量。借助相对轻量的深度神经网络视觉系统，我们得以将竹子的平均误差估计为 4.5%，并将某一选定甘蔗季节的误差估计为 5.9%。
引用
@article{arxiv.2003.03192,
title = {Generalizable semi-supervised learning method to estimate mass from sparsely annotated images},
author = {Muhammad K. A. Hamdan and Diane T. Rover and Matthew J. Darr and John Just},
journal= {arXiv preprint arXiv:2003.03192},
year = {2020}
}
备注
22 pages, 21 figures, Computers and Electronics in Agriculture. arXiv admin note: text overlap with arXiv:1908.04387