半监督蔬菜田中的杂草检测：基于域内与跨域实验

在精密除草中，鲁棒的杂草检测仍是一个具有挑战性的任务，这需要不仅强大的杂草检测模型，还需要大规模的标记数据。然而，由于需要专业知识来识别植物种类，且标记过程耗时且工作量大，因此实际上很难获得足够用于模型训练的标记数据。本研究引入半监督目标检测(SSOD)方法，利用未标记数据以增强杂草检测，并提出一种基于YOLOv8的SSOD方法，即WeedTeacher。对四种SSOD方法（包括三种现有框架：DenseTeacher、EfficientTeacher和SmallTeacher，以及WeedTeacher）以及完全监督基线进行了实验比较，分别用于域内和跨域情境下的杂草检测。本研究创建了一个新的、多样化的杂草数据集作为测试平台，包括总计19,931张来自两个不同域的田野图像，其中包含8,435张标记的（基础域）图像（2021-2023年手持设备获取），以及11,496张未标记的（新域）图像（2024年通过地面移动平台获取）。在域内实验中，使用10%的标记基础域图像进行训练，并在剩余90%的数据上进行测试，结果显示YOLOv8基的WeedTeacher在所有四种SSOD方法中达到了最高准确率，相较于其监督基线（即YOLOv8l）在mAP@50上提升了2.6%，在mAP@50:95上提升了3.1%。在跨域实验中，引入未标记的新域数据后，四种SSOD方法均未显著优于其监督版本。针对跨域数据在鲁棒杂草检测中的利用困难，仍需进一步研究。