面向机器人除草控制：利用不准确且不充分的训练数据检测狗牙根草坪中的莎草杂草
计算机视觉与模式识别
2021-06-17 v1
摘要
为实现机器人除草控制，我们开发了从狗牙根草坪中检测莎草杂草的算法。由于杂草与背景草坪相似，人工数据标注昂贵且易出错。因此，直接应用深度学习方法进行目标检测无法产生满意结果。基于实例检测方法（即 Mask R-CNN），我们将合成数据与原始数据结合以训练网络。我们提出一种生成高保真合成数据的算法，采用不同层次的标注以降低标注成本。此外，我们构建了基于莎草骨架的概率图（NSPM）作为神经网络输入，以减少对像素级精确标注的依赖。我们还将损失函数由交叉熵改为 Kullback-Leibler 散度，以容纳标注过程中的不确定性。我们实现了所提算法，并与 Faster R-CNN 和 Mask R-CNN 进行比较。结果表明，我们的设计能有效克服训练样本不精确与不充分的影响，以仅 0.4% 的漏报率显著优于 Faster R-CNN 对应方法。特别地，与原始 Mask R-CNN 方法相比，我们的方法在取得更优性能的同时还将标注时间减少了 95%。
引用
@article{arxiv.2106.08897,
title = {Toward Robotic Weed Control: Detection of Nutsedge Weed in Bermudagrass Turf Using Inaccurate and Insufficient Training Data},
author = {Shuangyu Xie and Chengsong Hu and Muthukumar Bagavathiannan and Dezhen Song},
journal= {arXiv preprint arXiv:2106.08897},
year = {2021}
}