深度迁移学习在棉花生产系统中常见杂草物种多类识别上的性能评估

精准杂草管理通过采用化学减量/非化学的机器人除草技术，为可持续种植系统提供了一种有前景的解决方案，这些技术可对单株杂草施加适宜的控制策略。因此，在此类系统中，准确识别杂草物种对于实现精准、个体化的杂草处理起着关键作用。本文首次对用于识别美国南部棉花生产系统中特有常见杂草的深度迁移学习（DTL）进行了全面评估。我们创建了一个新的杂草识别数据集，包含在2020和2021年田间季节于棉花田中、自然光照条件下及不同杂草生长阶段采集的15个杂草类别的5187张彩色图像。我们通过迁移学习评估了27个最先进的深度学习模型，并为所考虑的杂草识别任务建立了广泛的基准。DTL取得了较高的分类准确率，F1分数超过95%，且各模型所需训练时间合理较短（少于2.5小时）。ResNet101取得了99.1%的最佳F1分数，而27个模型中有14个取得了超过98.0%的F1分数。然而，对于训练样本较少的少数杂草类别，使用常规、未加权交叉熵损失函数训练的模型表现不尽如人意。为解决此问题，我们采用了加权交叉熵损失函数，大幅提升了少数杂草类别的准确率。此外，我们采用基于深度学习的余弦相似度度量来分析杂草类别间的相似性，辅助分类结果的解读。模型基准测试代码与杂草数据集均已公开，有望成为杂草识别及更广泛领域未来研究的宝贵资源。