RoWeeder：通过作物行检测实现无监督杂草映射
计算机视觉与模式识别
2024-10-10 v2
摘要
精密农业高度依赖有效的杂草管理以确保稳健的作物产量。本研究提出了 RoWeeder—a一种结合作物行检测与噪声鲁棒深度学习模型的无监督杂草映射框架。通过利用作物行信息创建伪ground truth，我们的方法训练了一个轻量级深度学习模型，能够在噪声数据存在的情况下区分作物与杂草。该方法在 WeedMap 数据集上进行评估，实现了 75.3 的 F1 分数，优于多个基线方法。进一步的全面消融研究进一步验证了该模型的性能。通过将 RoWeeder 与无人机技术集成，农民可进行实时航空调查，从而实现大面积田块的精确杂草管理。代码已公开：https://github.com/pasqualedem/RoWeeder。
引用
@article{arxiv.2410.04983,
title = {RoWeeder: Unsupervised Weed Mapping through Crop-Row Detection},
author = {Pasquale De Marinis and Gennaro Vessio and Giovanna Castellano},
journal= {arXiv preprint arXiv:2410.04983},
year = {2024}
}
备注
Computer Vision for Plant Phenotyping and Agriculture (CVPPA) workshop at ECCV 2024