挑战现场条件下的杂草检测：克服阴影偏差和数据稀缺的半监督框架

对入侵杂草的自动化管理对于可持续农业至关重要，但在现实田间环境中，深度学习模型的性能常常因两个因素而受到影响：严苛的环境条件和数据标注的高成本。本研究通过诊断导向的半监督框架同时解决这两个问题。使用包含约 975 张标记图像和 10,000 张未标记 Guinea Grass 图像的数据集，我们首先建立了强大的监督基准：分类（ResNet）和检测（YOLO、RF-DETR），分别实现了最高可达 0.90 的 F1 分数和超过 0.82 的 mAP50 分数。关键在于，这一基础分析辅以可解释性工具揭示了一种普遍的“阴影偏差”，即模型学习将阴影误认为植被。这种诊断洞察激发了我们的主要贡献：一个利用未标记数据增强模型鲁棒性的半监督 pipeline。通过在更丰富的视觉信息上进行伪标记训练，该框架不仅有助于缓解阴影偏差，还为提高召回率提供了实质性提升——这是自动喷洒系统中最小化杂草逃逸的关键指标。为验证我们的方法有效性，我们在公共作物-杂草基准数据集上展示了其在低数据 regime 下的有效性。我们的工作为开发面向精密农业复杂现实世界的稳健计算机视觉系统提供了清晰且经现场验证的框架。