农业中的视觉基础模型：面向杂草除草剂试验评估的领域特定适配
计算机视觉与模式识别
2025-11-07 v1
摘要
除草剂田间试验需要在多样环境中准确识别植物物种并评估除草剂诱导的损害。尽管通用视觉基础模型在复杂视觉领域展现出可喜的结果，但在农业领域其性能可能受限，因为物种与损害类型之间的细粒度区分至关重要。在本工作中，我们将通用视觉基础模型适配于除草剂试验表征。该模型在大型精选农业数据集上使用自监督学习方法进行训练，学习针对除草剂试验图像优化的丰富且可迁移的表示。我们的领域特定模型在物种识别（F1 分数从 0.91 提升至 0.94）和损害分类（从 0.26 提升至 0.33）上均显著优于最佳通用基础模型。在未见条件下（新位置和其他时间），其获得了更大的提升（物种识别从 0.56 提升至 0.66；损害分类从 0.17 提升至 0.27）。在领域偏移场景中（如无人机图像），它保持了强劲的性能（物种分类从 0.49 提升至 0.60）。此外，我们表明领域特定预训练提高了分割精度，特别是在低标注量情况下。标注效率分析表明，在未见条件下，领域特定模型在使用少于 80% 标注样本的同时，F1 分数比通用模型高 5.4%。这些结果证明了领域特定基础模型的泛化能力及其显著减少人工标注工作的潜力，为除草剂试验分析提供了可扩展的自动化解决方案。
引用
@article{arxiv.2511.04288,
title = {Vision Foundation Models in Agriculture: Toward Domain-Specific Adaptation for Weed Herbicide Trials Assessment},
author = {Leire Benito-Del-Valle and Artzai Picón and Daniel Mugica and Manuel Ramos and Eva Portillo and Javier Romero and Carlos Javier Jimenez and Ramón Navarra-Mestre},
journal= {arXiv preprint arXiv:2511.04288},
year = {2025}
}