基于弱监督的裂纹分级新鲜农产品全景分割
计算机视觉与模式识别
2025-04-15 v2
摘要
视觉检查在农业供应链中用于裂纹分级至关重要，但传统方法往往依赖大量人工标注且容易出错。自动化计算机视觉方法通常需要大量标注数据，而在分散式供应链中这些数据常常难以获取。我们通过评估 Segment Anything Model（SAM）来生成稀疏标注下的密集全景分割掩码。这些密集预测随后用于训练受监督的全景分割模型。我们聚焦于香蕉表面裂纹（瘀伤和疤痕），使用 476 张现场图像和 1440 个裂纹进行验证。尽管 SAM 生成的掩码大体上与人工标注一致，从而大幅减少了标注工作，但我们明确指出了特定裂纹尺寸和形状相关的失败案例。尽管存在这些局限性，我们的方法仍能从全景掩码中提供裂纹数量和相对大小的实用估计，凸显了基础模型在低数据农业场景下进行裂纹定量分析的潜力与当前限制。GitHub: https://github.com/manuelknott/banana-defect-segmentation
引用
@article{arxiv.2411.16219,
title = {Weakly Supervised Panoptic Segmentation for Defect-Based Grading of Fresh Produce},
author = {Manuel Knott and Divinefavour Odion and Sameer Sontakke and Anup Karwa and Thijs Defraeye},
journal= {arXiv preprint arXiv:2411.16219},
year = {2025}
}
备注
Accepted as a paper to the 6th International Workshop on Agriculture-Vision: Challenges & Opportunities for Computer Vision in Agriculture in conjunction with IEEE/CVF CVPR 2025