面向精密农业的视觉语言模型自洽性：作物病害管理中的多响应共识
计算机视觉与模式识别
2025-07-14 v1
摘要
精密农业高度依赖准确的图像分析用于作物病害识别和治疗建议，但现有的视觉语言模型 (VLM) 在专业农业领域往往表现不佳。本工作提出了一种面向农业领域的图像处理框架，结合基于提示的专家评估与自洽性机制，以增强 VLM 在精密农业应用中的可靠性。我们引入了两个关键创新：(1) 基于提示的评估协议，将语言模型配置为专家植物病理学家，用于可扩展评估图像分析输出；(2) 余弦自洽性自投票机制，从农业图像中生成多个候选响应，并通过领域适配嵌入选择最语义连贯的诊断结果。应用于使用微调的 PaliGemma 模型对玉米叶片病害进行识别，我们的方法将诊断准确率从 82.2% 提升至 87.8%，症状分析从 38.9% 提升至 52.2%，治疗建议从 27.8% 提升至 43.3%。该系统足够紧凑，可部署在移动设备上，支持资源受限环境下的实时农业决策。这些结果表明，AI 驱动的精密农业工具具有在多样化田间条件下可靠运行的巨大潜力。
引用
@article{arxiv.2507.08024,
title = {Self-Consistency in Vision-Language Models for Precision Agriculture: Multi-Response Consensus for Crop Disease Management},
author = {Mihir Gupta and Abhay Mangla and Ross Greer and Pratik Desai},
journal= {arXiv preprint arXiv:2507.08024},
year = {2025}
}