利用自动数据与合成图像进行半监督干草生物量估计

监测物种特异性干草生物量是草场型牛奶生产系统的一个重要方面。了解田间的草生物量可使农民管理草供应中的盈余与亏缺，并在必要时使用针对性氮肥施用。用于计算机视觉的深度学习在此背景下是一种强大的工具，因为它可以使用便携式设备拍摄的草冠图像准确估计草地的干生物量。然而，深度学习的性能是以大量且在此情况下具有破坏性的数据收集过程为代价的。由于准确的物种特异性生物量估计劳动强度大且对草地具有破坏性，我们在本文中提出研究利用计算机视觉进行干生物量估计的低监督方法。我们的贡献包括：用于生成草高感知语义分割任务数据的合成数据生成算法、利用语义分割图自动标注数据的过程，以及训练用于使用近似生物量标签和带有金标准标签的小型可信数据集预测干生物量的鲁棒回归网络。我们的方法设计基于在爱尔兰收集的草质量估计数据集，并在公开发布的丹麦 Grass-Clover 生物量估计数据集上报告了最先进的结果。我们的代码可在 https://git.io/J0L2a 获取。